Dinámica PDF

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: interacción entre el comportamiento y la estructura del sistema............................... 18
9.6 ECUACIONES DEL MODELO..................................................................................... 23
9.7 EXPERIMENTACION.................................................................................................... 27
9.7.1 Evaluación del modelo .......................................................................................... 27
9.7.2 Validación del modelo ........................................................................................... 28
9.7.3 Análisis del modelo ................................................................................................ 28
9.8 DINÁMICA DE SISTEMAS EN ACCIÓN.................................................................... 29
9.8.1 Sistema Depredador - Presa................................................................................ 29
9.8.2 Modelo Depredador – Presa Generalizado: aplicación al control biológico de
la malaria ................................................................................................................................. 32
9.8.3 Dinámica Agro-Industrial....................................................................................... 34
9.8.4 Mercado Eléctricos................................................................................................. 37
9.8.5 Dinámica de mundo (Forrester 1971) ................................................................. 42
9.9 BIBLIOGRAFIA............................................................................................................... 45
10 ELEMENTOS DE SIMULACIÓN basada en AGENTES ............................................. 47
10.1 INTRODUCCIÓN ........................................................................................................... 47
10.2 CARACTERIZACIÓN DE AGENTES ......................................................................... 47
10.3 COMPONENTES DE UN SISTEMA MULTIAGENTES........................................... 48
10.4 EJEMPLOS DE APLICACIONES DE SIMULACIÓN BASADA EN AGENTES... 48
10.5 EJEMPLOS DE APLICACIONES DE SIMULADORES BASADOS EN
AGENTES: .................................................................................................................................. 49
10.6 AGENTES - AUTÓMATAS CELULARES. CARACTERÍSTICAS .......................... 50
10.7 Ejemplo: Crecimiento de Sociedades Artificiales, Ciencias Sociales desde la
base de los individuos ............................................................................................................... 51
10.8 EJEMPLO: JUEGO DEL “BAR EL FAROL”. POR BRIAN ARTHUR, 1994. ....... 52
10.8.1 Resultados: Juego del “Bar el Farol” ........................................................................ 53
10.8.2 Extensiones del Juego del “Bar el Farol” ................................................................. 53
10.9 EJEMPLO DE APLICACIÓN: ANÁLISIS DE PODER DE MERCADO EN EL
MERCADO ELÉCTRICO ALEMÁN......................................................................................... 54
10.10 SOFTWARE PARA SMA .......................................................................................... 55
10.11 SOFTWARE NETLOGO ........................................................................................... 56
10.11.1 Ejemplo 1: atasco de tráfico; qué es?............................................................. 56
10.11.2 Ejemplo 2: propagación de fuego; qué es? ................................................... 57
10.12 SOFTWARE SWAPS ................................................................................................ 58
10.13 Ejercicios ..................................................................................................................... 59
10.14 REFERENCIAS .......................................................................................................... 59
11 MÉTODOS DE MONTECARLO ...................................................................................... 60
11.1 Estimación montecarlo del número π ......................................................................... 60
11.2 INTERPOLACIÓN LINEAL ........................................................................................... 62
11.3 CÁLCULO DE MATRICES GRANDES ...................................................................... 64
11.4 INTEGRACIÓN DE MONTECARLO........................................................................... 64
11.4.1 Método de Hit or Priss ........................................................................................... 65
11.4.2 Método de la Media Muestral............................................................................... 66
11.4.3 Método Burdo de MONTECARLO ...................................................................... 66
11.4.4 Método Acierto o Falla de MONTECARLO........................................................ 67
11.5 CADENAS DE MARKOV DISCRETAS FINITAS...................................................... 68
11.6 MÉTODO DE MONTECARLO PARA RESOLVER SISTEMAS DE ECUACIONES
LINEALES. .................................................................................................................................. 70
11.7 OPTIMIZACIÓN MONTECARLO ................................................................................ 72
11.7.1 Algoritmo del gradiente. ........................................................................................ 73
11.7.2 Algoritmo del gradiente finito diferencial: ........................................................... 73
11.7.3 Algoritmo búsqueda aleatoria con doble prueba .............................................. 73
11.7.4 Algoritmo búsqueda aleatoria táctica no-lineal. ................................................ 74
11.7.5 Algoritmo búsqueda aleatoria táctica lineal. ...................................................... 74
11.7.6 Algoritmo búsqueda aleatoria prueba óptima.................................................... 74
11.7.7 Métodos de optimización global. ......................................................................... 74
11.8 EJERCICIOS................................................................................................................... 75
11.9 BIBLIOGRAFÍA GENERAL DE SIMULACIÓN Y LOS MÉTODOS 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 información (Línea punteda) en el sistema.............. 7
Figura 9.4. Diagrama causal simple del modelo de dinámica poblacional........................... 11
Figura 9.5. Bucles de realimentación positivo y negativo. ...................................................... 11
Figura 9.6. Elementos para los diagramas de niveles y flujos. .............................................. 12
Figura 9.7. Evolución poblacional incluyendo efecto migratorio ............................................ 14
Figura 9.8. Diagrama de niveles y flujo para un modelo simple de evolución demográfica.
................................................................................................................................................... 14
Figura 9.9. Relación demanda-construcción de viviendas...................................................... 15
Figura 9.10. Modelo simple de dinámica urbana ...................................................................... 15
Figura 9.11. Diagrama de niveles y flujos del modelo simple de dinámica urbana. ........... 16
Figura 9.12. Modelo simple de dinámica 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 realimentación de refuerzo con crecimiento exponencial, crecimiento
poblacional. ............................................................................................................................. 19
Figura 9.15. Ciclo de realimentación de refuerzo con crecimiento exponencial, interés
compuesto............................................................................................................................... 19
Figura 9.16. Ciclo de realimentación de balance con búsqueda de metas, control de la
temperatura del agua. ........................................................................................................... 20
Figura 9.17. Ciclo de realimentación de balance con búsqueda de metas y retardo, control
de la temperatura del agua con oscilaciones. ................................................................... 21
Figura 9.18. Arquetipo “límite al crecimiento”, comportamiento de crecimiento en forma de
S................................................................................................................................................ 23
Figura 9.19. El tiempo en los modelos de Dinámica de Sistemas......................................... 24
Figura 9.20. Retardos en Dinámica 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 biológico de la malaria con dos especies.. 33
Figura 9.27. Diagrama causal modelo control biológico de la malaria con tres especies.. 34
Figura 9.28. Simulaciones del modelo control biológico de la malaria con dos especies.. 34
Figura 9.29. Diagrama de niveles y flujo del modelo de dinámica agroindustrial. .............. 36
Figura 9.30. Simulaciones del modelo de dinámica agroindustrial ante políticas a y b. .... 37
Figura 9.31. Diagrama causal de la dinámica de los mercados eléctricos........................... 39
Figura 9.32. Diagrama de niveles y flujo de la dinámica de los mercados eléctricos......... 40
Figura 9.33. Evolución del margen de reserva en un modelo genérico de un mercado
eléctrico, para diferentes valores de Tiempo de Construcción –TC– de las plantas. . 41
Figura 9.34. Evolución del margen de reserva en un modelo genérico de un mercado
eléctrico, con y sin elestasidad al precio de la demanda de electricidad. .................... 42
Figura 9.35. Diagrama de niveles y flujos del modelo de Forreter “Dinámica del Mundo” 43
Figura 9.36. Comportamiento del modelo “Dinámica del Mundo” de Forrester sin ninguna
medida adicional a la tendencia actual (a), con políticas inapropiadas (b) y (c), y
políticas de desarrollo sostenible (d). ................................................................................. 44
Figura 11.1. Lanzamiento de una varilla de longitud L sobre una superficie reglada para la
estimación del número π. ...................................................................................................... 60
Figura 11.1. Ejemplo de interpolación lineal con métodos de Montecarlo. .......................... 63
Figura 11.2. Método de Hit o Priss de integración de Montecarlo. ........................................ 65
Figura 11.3. Cadenas de Markov discretas finitas. .................................................................. 69
SEGUNDA PARTE
OTROS MÉTODOS DE SIMULACIÓN

9 DINÁMICA DE SISTEMAS
En la primera parte de este libro se estudió en detalle la simulación de eventos discretos. En la

segunda parte presentamos, a nivel introductorio, otras técnicas de simulación, iniciando en este
capítulo con Dinámica de Sistemas (DS).
Esta técnica, como se muestra más adelante, puede constituirse en una alternativa o un
complemento a las antes discutidas para la simulación de sistemas, teniendo en cuenta que esta
permite enriquecer el portafolio de herramientas de simulación disponibles en la actualidad.
Inicialmente se establecen elementos de su evolución histórica, posteriormente se introducen

aspectos relacionados con su fundamentación teórica y formas alternas para la representación de
modelos de DS, se continúa con la exposición de mecanismos para la experimentación, que
incluye análisis de sensibilidad, validación y análisis de políticas, y se concluye con algunas
aplicaciones de la DS para la solución de problemas reales.
La literatura de Dinámica 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 últimos desarrollos en DS se pueden
encontrar en el System Dynamics Review. Numerosas artículos de DS se han publicado en
revistas internacionales de Investigación de Operaciones (INFORMS, Journal of Operacional
Research), y también en revistas técnicas que dependen de la aplicación desarrollada. En lo que
sigue se retoma alguna parte importante del libro Dyner (1991).
9.1 ELEMENTOS HISTÓRICOS
En 1961 Jay W. Forrester desarrolla en su texto Dinámica Industrial una nueva disciplina para la
simulación de sistemas, la cual se fundamenta en la teoría de control. En éste trabajo su
preocupación primordial radica en la descripción de las fluctuaciones en producción 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 Dinámica Urbana en 1969 y Dinámica del Mundo en 1971. En éstos
trabajos se aportan modelos para describir, entre muchos otros, los fenómenos de evolución de la
población, uso del espacio urbano y explotación y agotamiento de los recursos naturales.
Es entonces a partir de la década de los setentas que la Dinámica de Sistemas se extiende a

otros campos del conocimiento - Macro y microeconomía, planeamiento y evaluación de políticas
de diversos sistemas socio-económicos, contaminación ambiental, propagación de enfermedades
y control biológico.
Buena parte de la historia y evolución inicial de la Dinámica de Sistemas se encuentra asociada

con J. Forrester y su grupo de investigadores en el Instituto Tecnológico de Massachussets; pero
desde mediados de los ochentas su difusión es importante alrededor del mundo entero.
9.2 CONCEPTOS DE LA DINÁMICA DE SISTEMAS
Es común encontrar sistemas sociales en estado de transición o cambio para los cuales no se
conocen las condiciones de sus posibles estados futuros de reposo. Por otro lado, también es
frecuente encontrar organizaciones sociales dentro de las cuales se desea introducir reformas, sin
que se conozcan sus posibles efectos.
En el diseño de políticas y, en general, en la planificación, 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 políticas.
Los modelos de la Dinámica de Sistemas contribuyen de manera importante al estudio de

sistemas socio-económicos inestables, cuando en ellos se presentan ciclos de realimentación
como se ilustra en la Figura 5.1. En la figura se establece como, en términos 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 operación de los sistemas en cuestión, las demoras o retardos tienen un
efecto importante, por cuanto las decisiones se toman después de conocer y analizar alguna
información que pudo haberse recogido. Además, 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 interés para la Dinámica de Sistemas. La Figura

9.2 ilustra cómo la decisión surge como consecuencia de la comparación entre los objetivos o
metas y el comportamiento del sistema.
Objetivos o
Metas
Decisiones
Información del
Acciones Sistema
Sistema
Figura 9.2. Elementos en el proceso para la toma de decisiones
Los entornos dentro de los cuales la Dinámica de Sistemas resulta ser útil presentan relaciones
operacionales de transferencia de materiales entre las distintas componentes de la organización.
La Figura 9.3 representa el flujo de materiales dentro de la organización o sistema.
Componente 1 Componente 2 Componente n
Información del
Sistema
Figura 9.3. Flujo do material y flujo de información (Línea punteada) en el sistema
Los modelos de la Dinámica de Sistema están conformados básicamente por relaciones entre el
flujo de materiales e información, por representaciones de los procesos en la toma de decisiones,
y por indicaciones de la forma como ocurren los retardos en los ciclos de realimentación. Los
modelos se constituyen en laboratorios que permiten realizar experimentos para observar
posibles comportamientos de los sistemas, bajo las condiciones simuladas. A través de los
modelos se pueden obtener respuestas a preguntas del tipo "bajo las hipótesis establecidas, qué
pasaría sí ...?".
Para modelos de regular tamaño se requiere del uso de computadores. Existe hoy en día software
especializado en DS - comercialmente, se ofrecen Ithink, Powersim y Vensin, entre otros, y
también software distribuido de manera gratuita. No se puede pasar por alto la posibilidad de
utilizar lenguajes genéricos de programación. La ventaja de utilizar el software especializado es
que son amigables y además permiten utilizar el mismo tipo de símbolos de la DS, los cuales
serán presentados mas adelante.
3.2.1 Elementos que afectan los ciclos de realimentación
Los ciclos de realimentación generados dentro del proceso: Sistema-información-decisión-acción-

sistema, tienen especial relevancia para la Dinámica 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 realimentación son los
retardos, las distorsiones y las respuestas del sistema.
Los retardos se producen por el tiempo que se toma en la recolección de información, toma de
decisiones, implantación de acciones, transporte de materiales y maduración en las
transformaciones y para las decisiones. Como parte intrínseca 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.
Las distorsiones pueden surgir como efecto de la recolección de información o en el proceso de
implementación de las acciones. Ellas se pueden producir por errores en la obtención de datos,
por fallas en las máquinas o por la intervención humana. Las distorsiones también pueden ser
ocasionadas por elementos de interpretación y cultura de los individuos dentro de la organización.
Las respuestas del sistema a señales de información tienen especial importancia para la
Dinámica 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 organización, 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, parámetros y relaciones
funcionales, como se ha discutido en este texto. A continuación se ilustra, de manera específica,
el significado que estos elementos cobran en Dinámica de Sistemas.
Componentes. Los componentes contienen los diferentes procesos productivos y de toma de

decisiones. Un hospital contiene el servicio de emergencia, ambulancias, cafetería y lavandería.
Una corporación contiene las unidades de ensamble, acabados, mercadeo y pedidos.
Variables. Existen diversos tipos de variables según el papel que jueguen dentro del sistema y la
clase de información que proporcionen. Ellas pueden ser de estado, exógenas o endógenas.
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 número de camas
utilizadas, el número de viajes producidos por las ambulancias y el número de usuarios de la
cafetería. También en el hospital establecemos el número de camas y ambulancias que
estaban disponibles durante el tiempo. En la empresa, los niveles pueden ser el número de
maquinas disponibles, el número de empleados, el número de piezas producidas, la cantidad
almacenada y el número de elementos en la etapa de ensamble.
Las variables exógenas pueden tener el carácter de proyecciones o tablas para use del
sistema. Proyecciones de pacientes o de ventas de un producto.
Las variables endógenas pueden ser tasas o variables auxiliares. Las primeras son reflejo del
estado del sistema y las políticas trazadas como, por ejemplo, la cantidad de medicinas
ordenadas durante una unidad de tiempo, la producción programada diariamente y el número
de alimentos solicitados mensualmente. Las variables auxiliares representan pasos
intermedios previos a la formación 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 información. Los retardos en DS suelen ser tratados, en términos de
niveles y tasas de la variable afectada.
Parámetros. Los parámetros son las constantes del modelo como lo son los índices de natalidad,
mortalidad y productividad.
Relaciones Funcionales. Las relaciones funcionales establecen vínculos entre variables y
parámetros. Para establecer la tasa de producción se obtiene la diferencia entre la meta y lo
almacenado y se divide por un parámetro que refleje aspectos de producción y tiempo.
3.2.3 Agregación o desagregación de variables.
Dependiendo de las características propias del sistema o del correspondiente modelo que lo
representa, es necesario definir el grado de agregación o desagregación de las variables
definidas.
Si bien, en términos generales, la Dinámica de Sistemas ha tenido gran popularidad para modelos
altamente agregados, el grado de desagregación de las variables debe establecerse de acuerdo
con las necesidades inherentes al problema mismo que se pretende abocar. Así, por ejemplo, la
variable población debe desagregarse por grupos de edad y sexo, si se pretende efectuar
simulaciones que tengan por objeto examinar políticas educativas, laborales y de maternidad.
Adicionalmente, el grado de desagregación de las variables puede definirse con el fin de lograr
una mejor representación del sistema, puesto que a través de la desagregación se procura una
mayor homogeneidad entre los diferentes subsectores que representan las variables.
Por ejemplo, en el caso de simulaciones de consumo de energía eléctrica por parte de la

industria, puede ser conveniente el tratamiento de las variables de manera desagregada de
acuerdo con subsectores homogéneos en lo que se refiere a manejos tecnológicos afines e
intensidad en el uso energético de los sistemas productivos.
9.3 ELEMENTOS DE CONSTRUCCIÓN 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. También permite la representación
formal de dichas relaciones, de manera que se pueda evaluar la dinámica de las variables
relacionadas con los problemas en cuestión.
Tiempo e Información.
Los modelos de DS tienen 2 formas clásicas de visualización: Diagramas Causales y Diagramas

de Niveles y Flujos. Ambas formas son complementarias y no hay consenso sobre cual pueda ser
la más apropiada. En general las dos formas de visualización permiten un mayor entendimiento
del sistema y su formalización para realizar experimentos de simulación. A continuación se
presentan primero una descripción de los diagramas causales y posteriormente los diagramas de
flujos y niveles. Después se presentan los arquetipos o patrones de comportamiento (Senge,
1991) con ambas formas de diagramación.
9.3.1 Diagramas Causales
Las relaciones de causalidad permiten representaciones de gran utilidad para la Dinámica de

Sistemas. Su formulación es simple y de gran ayuda en la modelación. La idea consiste en
ilustrar, a través 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 temático de la teoría de los diagramas causales y los ciclos
de realimentación, 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-producción, dinero-ahorro y epidemia-enfermedad. Así, el
hijo proviene de su madre, el adulto fue antes joven, el conocimiento en matemáticas se adquiere
a través de su estudio, la producción de automóviles se logra por medio del trabajo de sus
empleados, el dinero ahorrado del dinero obtenido, y la enfermedad sarampión de una epidemia.
- Las relaciones causa-efecto como producto de la correlacionalidad entre variables. Es

decir, el grado de asociación existente entre ellas, como en los casos estatura-peso, demanda-
producción, prosperidad-inmigración, recursos-servicios y enfermedades-drogas. Así, existe una
correlación positiva entre las anteriores variables de manera que a mayor estatura, la persona
tiende a tener mayor peso; un mayor nivel de demanda esta acompañado por una mayor
producción; la ciudades más prósperas atraen más inmigrantes; una mayor afluencia de recursos
se asocia con mayor calidad de servicio; y en la medida que se presenten más enfermedades,
tiende a producirse más drogas. Obsérvese que las relaciones tienen un carácter de
correlacionalidad, lo cual no excluye, por ejemplo, que puedan existir personas altas que pesen
poco, que haya ocasiones en que la producción sea insensible a la demanda y que existan
servicios deficientes en sistemas opulentos.
Nótese que la correlacionalidad positiva entre las variables no es una condición necesaria de
causalidad, como sí lo es en la relación causa-efecto propiamente dicha.
Existe además correlacionalidad negativa entre las variables como en los casos precio-consumo,
población-muertes, contaminación-salud y distancia-migración. De esta manera, con incrementos
en precio se espera reducciones en consumo; con aumento en la contaminación, se observará
deterioro en la salud; en la medida que se aumente la población, se tenderá a presentar mayor
número de defunciones (cuando el índice de mortalidad permanece igual); y a mayor distancia,
tenderá a presentarse menores flujos migratorios (obsérvese que el concepto distancia es
relativo). Todo lo anterior, bajo consideración de correcionalidad negativa desde el punto de vista
estadística.
La Figura 9.4 ilustra la forma cómo se representa un diagrama de causalidad simple. Su

construcción se hace bajo el siguiente razonamiento: Dado que los otros factores que afectan el
tamaño poblacional no sufran variación, en la medida que se presenten más muertes, habrá
mayor disminución de pobladores; pero de otro lado, si todos los otros factores prevalecen sin
modificación, a un mayor nivel poblacional se asocia un mayor nivel de decesos. La primera es
una relación causa-efecto propiamente dicha, mientras que la segunda es de correlacionalidad
entre las variables. El ciclo formado, es también llamado Bucle. De manera similar, se forma el
bucle nacimientos-población.
+ +
+ Población - Muertes
Nacimientos
+ -
Figura 9.4. Diagrama causal simple del modelo de dinámica poblacional.
Un bucle tiene signo positivo (+), si todas las flechas dentro del ciclo tienen asociado un signo
positivo, o si hay un número 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 E
+
- +
+ C - F
A -
-
D +
+ G
Figura 9.5. Bucles de realimentación positivo y negativo.
Los bucles positivos inducen crecimientos o decrecimientos en las variables nivel, mientras que
los negativos, también llamados ciclos de balance, inducen compartimientos con tendencia a la
estabilización.
9.3.2 Diagramas de Niveles y Flujos
Los Diagramas de Niveles y Flujos, llamados también diagramas de Influencia o Diagramas de

Forrester, tienen origen con la creación de la Dinámica de Sistemas. Son mas conocidos en la
actualidad como de Niveles y Flujos por la popularidad del libro de Jhon Sterman (2000), donde
los presenta como diagramas de “Stock and Flows” en ingles. Su representación tiene relación
cercana a la del modelo matemático, pero inicialmente, puede haber mayor dificultad de empleo
para el aprendiz, en razón de la simbología utilizada. Posiblemente, dentro de un proceso
didáctico, se pueda establecer que los diagramas de niveles y flujos deban ser precedidos por
diagramas de causalidad, a pesar de los argumentos contrarios señalados en Coyle (1977).
Los diagramas de niveles y flujos emplean algunos símbolos de la hidrodinámica y la teoría 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 conceptualización del modelo sino también como
herramienta para su formalización y aplicación en computadores1.
1
Los diferentes productos de software actualmente ofrecidos para la simulación de sistemas de modelos en DS han sido
desarrollados básicamente con la misma representación de los diagramas de niveles y flujos.
Las variables de estado o niveles se representan por medio de un rectángulo, el cual a su vez se
asocia a un tanque como se muestra en la Figura 9.6. Ellas indican, a través de niveles, el estado
en que se encuentra el sistema, en términos de cantidades de material (objetos, máquinas,
personas o dinero).
Nivel Fuente o Sumidero
Tasa de Flujo Variable Auxiliar
Parametro
Flujo de Materiales
Flujo de Información
Función o Tabla
Retardo
R3
Tabla
Figura 9.6. Elementos para los diagramas de niveles y flujos.
Las variables de flujo de materiales son representadas por medio de válvulas, las cuales
muestran la cantidad de material que se permite pasar durante la unidad de tiempo. Ellas están
asociadas con políticas de manejo del sistema.
Las flechas de línea continua se utilizan para indicar la proveniencia y la dirección hacia donde se
dirige el material. Las flechas de línea discontinua señalan los flujos de información.
Las nubes representan las fuentes o sumideros de materiales. Tienen significado parecido a los
niveles, diferenciándose en que ellos no proporcionan cantidades. Además, 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 información o introducir variables exógenas al sistema.
Los parámetros son las constantes del modelo y pueden ser índices, estadísticos o promedios.
Los retardos representan lapsos de tiempo hasta que se produce una acción, o demoras en la
transferencia de información. La parte superior del cuadrado establece la cantidad de material o
información 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,
básicamente, de primer orden o exponenciales, de tercer orden o Gamma y de orden infinito o
discretos o de tubería.
Las funciones de una sola variable se pueden formular a través de tablas de correspondencia
entre los valores del dominio y del rango. Su representación se efectúa de manera similar a como
se procede con las variables auxiliares, pero colocando entre líneas los nombres de las funciones
o tablas.
Las relaciones funcionales multivariadas aparecen, como más adelante se muestra

explícitamente, en el cálculo de variables auxiliares, en la determinación de las tasas de flujo y en
la actualización de los niveles.
Existen ciertas reglas básicas o principios para la construcción de diagramas de niveles y flujos.
La mayor parte de estos conceptos pueden ser encontrados en el libro “Principles of Systems”
(Forrester, 1968). A continuación 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 está 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 sólo 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 después o antes de los niveles, excepto cuando
aparecen retardos.
- Para establecer cuáles variables son niveles o tasas de flujo, se supone que el sistema deje de
funcionar en un instante dado. Entonces, las tasas de flujo tendrán valor cero, mientras que los
niveles asumirán el correspondiente valor acumulado hasta ese instante. Por ejemplo, si todas las
actividades humanas se pudiesen suspender en un instante dado, quedarían los hombres y las
viviendas (niveles), en tanto que dejaría de haber nacimientos, muertes, inmigración, emigración y
construcción de viviendas (tasas de flujo). Esto muestra como las tasas están asociadas con
alguna acción, mientras que los niveles se asocian con el estado en que se encuentra el sistema.
- Las variables auxiliares son alimentadas por información del sistema o de otras variables
auxiliares, y producen información para otras variables auxiliares y/o para el establecimiento de
políticas, las cuales se concretan en tasas de flujo.
- Los retardos, como se plantea en la sección siguiente, aparecen antes o después de una tasa
de flujo, en el proceso de transferencia de materiales o de información.
- Los orígenes y destinos de los flujos de materiales e información están indicados por flechas
continuas y discontinuas respectivamente.
- Los parámetros son información que alimentan las tasas de flujo o las variables auxiliares.
- Las fuentes son proveedores u orígenes y los sumideros son desagües o destinos.
9.4 EJEMPLOS DE DIAGRAMAS CAUSALES Y DIAGRAMAS DE NIVELES Y FLUJO
A continuación se presentan algunos ejemplos que muestran el proceso de construcción de

diagramas causales (causa-efecto) y los diagramas de niveles y flujos, para una mejor
comprensión de los elementos principales de diagramación de la DS.
9.4.1 Evolución Demográfica
Supóngase que en un modelo para estudios de crecimiento poblacional, se desea incluir las
variables inmigración y emigración. La Figura 9.7 contiene las relaciones causa-efecto
correspondientes.
Emigración
-
+ +
Nacimientos
+ -
+
Inmigración
Figura 9.7. Evolución 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 cómo los nacimientos incrementan el nivel de población a una tasa
P1, del total de humanos, mientras que las muertes la reducen a una tasa P2. En el modelo, la
inmigración y la emigración se producen a tasas fijas P3 Y P4 respectivamente.
Nótese que las fuentes alimentan el nivel población a través de los nacimientos y de la
inmigración, y los sumideros aparecen como los depósitos de la emigración y de las muertes.
Emigración
P3
P1
Población
Nacimientos Muertes
P4
Inmigración
P2
Figura 9.8. Diagrama de niveles y flujo para un modelo simple de evolución demográfica.
9.4.2 Construcción de vivienda
En planificación urbana es importante conocer los procesos que generan la construcción de
viviendas. La Figura 5.7 muestra las relaciones entre las variables viviendas construidas,
demanda de viviendas y construcción de viviendas.
Viviendas +
Construidas
-
- Construcción de
Demanda de Viviendas
Viviendas
+
Figura 9.9. Relación demanda-construcción de viviendas
Además, 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.
Emigración
+
+
Nacimientos
+ -
+ +
Inmigración
+
Viviendas
+ Construidas
-
Demanda de Construcción de
Viviendas Viviendas
+
Figura 9.10. Modelo simple de dinámica urbana
En la Figura 9.11 se muestra el diagrama de influencia correspondiente al modelo simple de

dinámica urbana. La variable auxiliar Demanda de Vivienda, se establece por la diferencia entre el
número de familias y el número de viviendas existentes. La variable retardo da cuenta de los
tiempos de entrega de viviendas en construcción.
Emigración
P3
P1
Población
Nacimientos Muertes
P4
P2
Demanda Inmigración
Viviendas
P5
R3 Viviendas
Construídasas
Construcción
De viviendas
Figura 9.11. Diagrama de niveles y flujos del modelo simple de dinámica 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 pérdidas de clientes y menores niveles de utilidad. Obsérvese en
la Figura 9.12 un modelo simple de manejo de inventarios, en el cual los suministros a
consumidores sólo dependen explícitamente de la cantidad almacenada y de la demanda de los
consumidores.
Suministro a
Consumidores +
Demanda de
Consumidores
-
Cantidad
- Almacenada
+
- Arribo de
Solicitud a -
Mercancia
Proveedores
+
Figura 9.12. Modelo simple de dinámica de inventarios.
En la Figura 9.13 aparece el diagrama de influencia correspondiente al modelo simple de

dinámica de inventario del distribuidor de productos. Los retardos dan cuenta de los tiempos de
entrega de solicitudes. Se introduce la variables exógena nivel de inventario deseado, con el
objeto de tener en cuenta metas operacionales.
Nivel de
Inventario
Deseado
Necesidad
de
P1 inventario P2
R3 Inventario
Solicitud a Suministro a
Proveedor Consumidores
Disponibilidad
para despacho
Demanda de
consumidores
Figura 9.13. Diagrama de niveles y flujos para una modelo simple de manejo de inventarios.
Al final de este capítulo se presentan más ejemplos y casos de modelación de sistemas con
mayor grado de profundidad, y algunos ilustran aplicaciones prácticas de los modelos de DS.
9.5 DS: INTERACCIÓN ENTRE EL COMPORTAMIENTO Y LA ESTRUCTURA DEL

SISTEMA.
Los problemas que se enfrentan con la ayuda de DS usualmente tienen en común 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 podrá contribuir a detectar el o los problemas que lo puedan afectar. A
continuación se presentan cuatro de los más simples comportamientos posibles de observar en
un sistema: crecimiento exponencial, balance o búsqueda de metas, oscilaciones y evolución
sigmoidal (en forma de s). Estos modos de comportamiento2 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 realimentación positivo
o de refuerzo. Los casos más claros para entenderlo son la tasa de interés 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 más población, la tasa neta de nacimientos será mayor, de manera que
la población es incrementada. De manera similar, a mayor dinero, ahorrado en una cuenta
bancaria, mayor serán los intereses que se ganan e incrementan el dinero de la cuenta, la cual
tendrá más dinero para el próximo pago de intereses. Este crecimiento es un resultado directo de
un ciclo de realimentación 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 reducción en el precio de las acciones disminuye la confianza del inversionista en estas
acciones, lo cual induce a vender más acciones (mas oferta), lo que lleva a una disminución
mayor en el precio, y por lo tanto a menor confianza en estas acciones.
En los ejemplos de crecimiento poblacional y el interés compuesto se puede apreciar el diagrama

causal con el ciclo de realimentación positiva, el diagrama de niveles y flujos el cual está
presentado en el software POWERSIM3, además 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 capítulo 4 el concepto de modos de referencia para capturar el comportamiento
dinámico, y los diagramas causales como un método para representar la estructura de realimentación del sistema.
3
Powersim Constructor 2.51, software especializado para simulación de modelos en DS.
Diagrama Causal Diagrama de Niveles y Flujo
+
Crecimiento Poblacion
R Población
Neto Crecimiento_neto
+
Tasa_neta_de_nacimiento
Comportamiento del Nivel Ecuaciones del Modelo

2 000
Poblacion
Poblacion
1 500
100
1 000
+dt*Crecimiento_neto
500 Crecimiento_neto
Poblacion*Tasa_neta_de_nacimiento
0
Tasa_neta_de_nacimiento
0 20 40 60 80 100
0.03
Tiempo
Figura 9.14. Ciclo de realimentación de refuerzo con crecimiento exponencial, crecimiento
poblacional.
+
Dinero
Intereses R Dinero
Intereses
+
Tasa_neta_de_interes

2 000
1 500 Dinero
Dinero
100
1 000 +dt*Intereses
500 Intereses
Dinero*Tasa_neta_de_interes
0 Tasa_neta_de_interes
0 20 40 60 80 100 0.03
Tiempo
Figura 9.15. Ciclo de realimentación de refuerzo con crecimiento exponencial, interés compuesto.
Balance o búsqueda de metas

Los ciclos de realimentación negativa, contrarios a los ciclos de refuerzo, buscan en el sistema un
balance o una situación de equilibrio, a través 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 será la discrepancia, y
entre mayor sea la temperatura deseada, mayor será la discrepancia; a mayor discrepancia, la
acción correctiva lleva a aumentar el flujo de agua caliente y así aumentar la temperatura del
agua; y, de esta manera, cierra el ciclo de realimentación.
Temperatura
+
del agua
Temperatura
Flujo de agua B Flujo_de_agua_caliente
caliente
+ -
Discrepancia
Discrepancia
+
Temperatura
Temperatura_deseada
deseada

30
25 Temperatura
5
20 +dt*Flujo_de_agua_caliente
Flujo_de_agua_caliente
15 T. del agua
Discrepancia/20
10 T. deseada Discrepancia
5
Temperatura_deseada-Temperatura
Temperatura_deseada
0 25
0 20 40 60 80 100
Tiempo
Figura 9.16. Ciclo de realimentación de balance con búsqueda de metas, control de la

temperatura del agua.
Note que un sistema con ciclos de realimentación negativa estará en equilibrio solo cuando las
variables de estado o niveles poseen el mismo valor de sus estados deseados simultáneamente.
En sistemas reales, particularmente en sistema sociales, no es fácil ni común encontrar
equilibrios, debido a la dificultad de que todos los ciclos de balance alcancen su estado deseado
simultáneamente. En DS muchas veces se parte del sistema en equilibrio para tomarlo como el
punto de referencia y efectuar análisis 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 información 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 así
sucesivamente.
Las oscilaciones pueden variar de acuerdo con las características estructurales del sistema. Se
pueden presentar oscilaciones que disminuyen con el tiempo, estacionarias, o eventualmente
caóticas. Con el mismo ejemplo del ciclo de realimentación balanceado, supóngase 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 después de ser mezclada y de
pasar por las tuberías, 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 parámetros o en la estructura
podría generar comportamientos con otro tipo de oscilaciones.
Temperatura
+
del agua
Temperatura_real
Flujo de agua B Flujo_de_agua_caliente
RETARDO
caliente
+ -
Discrepancia
+
Discrepancia
Temperatura_real_retardada
Temperatura
deseada Temperatura_deseada

40
Temperatura_real
5
30
+dt*Flujo_de_agua_caliente
Flujo_de_agua_caliente
20 T. real Discrepancia/5
T. deseada
Discrepancia
10 Temperatura_deseada-Temperatura_real_reta
Temperatura_real_retardada
0 DELAYINF(Temperatura_real, 3,Temperatura_
0 20 40 60 80 100 Temperatura_deseada
Tiempo 25
Figura 9.17. Ciclo de realimentación de balance con búsqueda de metas y retardo, control de la
temperatura del agua con oscilaciones.
Crecimiento en forma Sigmoidal

El comportamiento sigmoide resulta de la combinación 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 límite. Con este
arquetipo4 se sugiere un principio de administración: 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 podría ver el problema como parte de un sistema más grande, y hacer hipótesis sobre que es lo que lo podría
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 relación con esta
estructura del sistema, y se reacciona a los límites al crecimiento tratando de presionar más fuerte
el crecimiento, cuando lo que se requiere es trabajar más 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
limitación de recursos para los pobladores. Para determinar la capacidad soporte de la zona, se
requiere establecer la relación entre la población 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 población. Cuando, por este efecto de
crecimiento poblacional, el incremento en el uso de los recursos conlleva al agotamiento de los
mismos, se produce una reducción en la tasa de crecimiento poblacional, lo cual conduce a la
estabilidad en el número de pobladores. En la Figura 9.18 se observa con R el ciclo de
realimentación positiva o de refuerzo y con B el ciclo de realimentación 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 población, 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 situación inicial de crecimiento exponencial – dado por el ciclo de refuerzo – seguido por
un comportamiento de búsqueda de metas – dado por el ciclo de balance. Si se considera
problemático el hecho de frenar el crecimiento poblacional, se puede observar que la manera de
enfrentar este problema está relacionada con la eliminación o ampliación 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.
identificación de los arquetipos ha sido parte de las técnicas de pensamiento sistémico. En general estos permiten
mejorar la intuición sobre situaciones complejas de manera similar como el estudio de la física permite entender mejor
el comportamiento del mundo natural. Sin embargo la simulación es necesaria, y la DS permite el acoplamiento de las
herramientas de pensamiento sistémico como los arquetipos con el desarrollo de un modelo formal, solucionado por
simulación. Estos modelos son generalmente sistemas acoplados de ecuaciones diferenciales que no es posible
solucionarlos con simulaciones mentales
+
Crecimiento R
Población Población
+ Neto +
Crecimiento_neto
Incremento -
crecimiento neto B Relacion_Poblacion_a_Capacidad
Poblacion/Recursos
+ +
Capacidad Incremento_crecimiento_neto
según recursos Capacidad_según_recursos
100 Ecuaciones del Modelo
80 Población
10
Tiempo
60 +dt*Crecimiento_neto
Población Crecimiento_neto
40 Población*Incremento_crecimiento_neto
Cap. rec. Incremento_crecimiento_neto
20 0.02-(0.01*(1+(Relacion_Poblacion_a_Capacida
Relacion_Poblacion_a_Capacidad
0
Población/Capacidad_según_recursos
0 100 200 300 400 500
Capacidad_según_recursos
Time 100
Figura 9.18. Arquetipo “límite 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
matemático; no obstante, la simulación del sistema permite la solución de problemas para los
cuales no se conocen soluciones analíticas. A pesar de la fácil presentación de los modelos de
DS, estos tienen implícitos sistemas de ecuaciones diferenciales generalmente no lineales.
En términos generales, el modelo matemático 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
matemático involucrado. El método de cálculo está basado en la actualización de los niveles del
sistema, en razón a los flujos de entrada y salida que los afectan, después 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 situación en que se encontraban en J y con los flujos producidos durante el intervalo de
tiempo JK. Posteriormente, se calculan los flujos proyectados para el intervalo KL.
J K L
DT DT
Figura 9.19. El tiempo en los modelos de Dinámica de Sistemas.
La notación de las ecuaciones de los modelos de la Dinámica 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 está implícita en la representación gráficas del software disponible
actualmente para la simulación con modelos de DS. Las diferentes ecuaciones, en su forma más
elemental, utilizan el formato que se describe a continuación.
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.JK - TDEM.JK)
Donde VIVC.J y VIVC.K son el número de viviendas en los instantes J y K, respectivamente.

TCONS.JK y TDEM.JK corresponden a la tasas de construcción y de demolición de viviendas
durante el intervalo de tiempo JK, 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 parámetro del modelo.
Ecuaciones Auxiliares
En algunas ocasiones, antes de la evaluación de las tasas de flujo, pueden aparecer cálculos que
tienen importancia para el establecimiento de políticas del sistema, como en la situación
DIF.K = META - VIVC.K
Donde META representa el número 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 número de casas que se programa construir.
Ecuaciones para retardos

El retardo es el que transcurre hasta el arribo del material o de la información. La representación
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 construcción de viviendas en el intervalo de tiempo KL, TCONSC.KL, está dada
por el número de construcciones programadas en el instante K, CONS.K, dividido por el tiempo
promedio de construcción de una casa, RET. Los retardos pueden ser entendidos como el efecto
de señales. Obsérvese 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).
Ret Ret
(a) (b)
Ret Ret
(c) (d)
Figura 9.20. Retardos en Dinámica 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.JK - TCONS1.JK)

TCONS1.KL = CONS1/(RET/2)
CONS2.K = CONS2.J + DT(TCONS1.JK - TCONS.JK)
TCONS.KL = CONS2/(RET/2)
CONS.K = CONS1.K + CONS2.K.
Luego, el total de viviendas que están en proceso de construcción es CONS.K y el número que se
terminan al final del intervalo de tiempo KL es TCONS.KL.
Ret
Cons
Cons
Ret Consc
(a) (b)
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 tubería, Figura 9.20(d), el material o la
información llega, en su totalidad, al destino indicado, RET unidades de tiempo después del
instante que empieza a ser transportada. La literatura de la Dinámica de Sistemas, se ha
interesado por la determinación del valor adecuado para DT. No obstante, se sigue
recomendando el criterio adoptado por Forrester (1961), consistente en hacer:
RET
DT =
2d
donde, RET y d son respectivamente el valor promedio y el valor correspondiente al mayor orden
de retardo en el modelo.
Cons 1 Cons 2
Consc 1 Consc 2
(a)
Cons
Ret 2 Consc
(b)
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. Así, por ejemplo, las ecuaciones antes planteadas
correspondientes a las viviendas construidas VIVC, pueden expresarse por:
VIVC.K − VIVC.J
= f (a1 (t ), a2 (t ),..., an (t ))
DT
VIVC.K − VIVC.J d
lim = VIVC = f (a1 (t ), a2 (t ),..., an (t ))
DT →0 DT dt
Pero, puesto que las viviendas construidas son función de la ecuación diferencial de la población,
se obtendrá:
d
[VIVC ( POB(t ))] = f (a1 (t ), a2 (t ),..., an (t ))
dt ,
La cual es una ecuación de segundo orden que puede tener dificultades para su solución; esto, en
razón a que la ecuación diferencial que establece la dinámica poblacional es función, en grandes
ciudades, de la actividad económica en general, y de la actividad de la construcción en particular.
Ejemplo: Ecuaciones del modelo de construcción de viviendas
Las ecuaciones correspondientes al ejemplo de construcción de viviendas presentado

anteriormente son las siguientes.
POB.K = POB.J + DT (NAC.JK - DEF.JK + INM.JK - EMI.JK)
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.JK)
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 población,
nacimientos, defunciones, inmigrantes y emigrantes. VIVC, DEM, TCONS, TENT, y TPCO
representan respectivamente las variables viviendas construidas, demanda de viviendas, tasa de
construcción de viviendas, tasa de entregada de viviendas construidas y tiempo promedio de
construcción de viviendas. TETA1 hasta TETA6 son parámetros. Obsérvese que en la ecuación
de demanda por viviendas, el parámetro TETA5 al multiplicar a la variable población se obtiene el
número 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 Dinámica de Sistemas, como se han planteado en las secciones anteriores, son
construidos con el objeto de cumplir con dos propósitos principales. En primer lugar, pueden
explicar el comportamiento de los sistemas, en razón de su estructura y políticas de orientación.
En segundo término, pueden servir como instrumentos para estudiar cambios estructurales y/o
políticos de la organización. Por tanto, para poder garantizar los objetivos antes mencionados, el
modelo debe ser evaluado, validado y analizado.
9.7.1 Evaluación del modelo
El modelo debe ser evaluado en consideración a su capacidad de reproducir el comportamiento

del sistema. Esto permite observar cómo políticas de manejo, tienen efectos en la estabilidad de
los niveles del sistema. Obsérvese que ante un aumento en la demanda, la política de
administración del inventario puede ocasionar reacciones, fuertes o más suaves, en la caída y
posterior recuperación del nivel del inventario.
Las simulaciones de situaciones de inestabilidad pueden ser ejercicios complejos, y la evaluación

de los respectivos modelos conlleva dificultades. No obstante, las excitaciones del sistema, a
través de cambios repentinos de alguna variable exógena, indican formas de comportamiento que
pueden ser explicadas aproximadamente por los modelos, cuando ellos incluyan, de manera
adecuada, las políticas de funcionamiento de las organizaciones.
Además del aspecto de estabilidad, el modelo debe ser evaluado en relación con su respuesta a
las metas propuestas.
En este contexto de evaluación, los modelos deben recoger las tendencias y ciclicidades de
comportamiento del sistema. Ellos deberán reflejar los estados de crecimiento o decrecimiento
cuando la organización se comporte de igual manera; asimismo, deben ser capaces de reproducir
las estacionalidades de los sistemas.
9.7.2 Validación del modelo
En general, los modelos de la Dinámica de Sistemas no son demasiado exigentes con respecto a
información histórica, sin desconocerse el gran aporte que ésta pueda tener. En los casos de
modelos basados en datos pobres o inexistentes, se puede recurrir a información de sistemas
similares y, aún, es posible incluir apreciaciones subjetivas. No obstante, debe tenerse claro las
limitaciones de su alcance y cuando sea del caso, debe planearse su revisión en la medida que
se allegue datos nuevos.
En situaciones de información pobre, la validación se efectúa intentando detectar resultados por

fuera de las fronteras, errores de magnitud apreciable, inconsistencias, y en general, posibles
errores en la representación de políticas de manejo de las organizaciones.
Cuando la información 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
representación de políticas; y posteriormente, se podrán utilizan métodos estadísticos,
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 Dinámica de Sistemas no pretenden ser instrumentos
de proyección de alta precisión, sino más bien, herramientas para el diseño de políticas y, por
tanto, su validación debe contemplar esta consideración.
En general, en la planificación a largo plazo y en la evaluación de políticas 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 Análisis del modelo
Los modelos de la Dinámica de Sistemas deben ser analizados considerando dos aspectos
principales: Análisis de Estructuras de Realimentación y Análisis de Sensibilidad.
Para realizar análisis de las estructuras de realimentación se determina cómo 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 modelación detallada de ciertos procesos puede
introducir ruidos, dificultando innecesariamente el análisis de los resultados.
La agregación o desagregación de variables puede mostrar un comportamiento más ajustado al

sistema, dependiendo de sus especificidades.
Para efectuar análisis de sensibilidad del modelo se determina cuáles son los parámetros que
inducen variaciones apreciables en los resultados. Esto implica realizar estimaciones cuidadosas
de dichos parámetros y una atención cuidadosa en la construcción de hipótesis de los escenarios
propuestos.
La forma de procedimiento para la selección e identificación de parámetros sensibles presupone

un conocimiento detallado del sistema, por cuanto su examen exhaustivo puede ser impracticable
en modelos de gran envergadura.
9.8 DINÁMICA DE SISTEMAS EN ACCIÓN
A continuación se presentan algunos casos en donde se ha aplicado DS en la búsqueda de

soluciones a problemas de la vida real y también para apoyar el análisis de sistemas complejos.
En algunos de estos casos se puede mostrar como a partir de un modelo, se pueden analizar
políticas 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 representación dinámica simple de una
especie depredadora (el depredador) y otra que es depreda (la presa). El depredador depende
solamente de una presa para su alimentación 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 limitación 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 fN y fM son las relaciones que expresan cómo la
abundancia de presas contribuyen a incrementar los nacimientos de depredadores y cómo 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
representación de una interacción 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 términos de ecuaciones diferenciales de la siguiente manera:
d Dep
= Nacimientos depredador − Muertes depredador
dt
d Pre
= Nacimientos presa − Muertes presa
dt
De las relaciones causales de la figura 9.23 se desprende que
Nacimientos depredador = Dep * f N (Pre )

Muertes depredador = a * Dep
Nacimientos presa = b * Pre
Muertes presa = Dep * f M (Pre )
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 depredación que muestran la contribución a la natalidad del
depredador y las muertes de la presa, respectivamente. Ahora, remplazando estas últimas
ecuaciones en las iniciales, obtenemos de manera explícita,
= Dep * f N (Pre ) − a * Dep

d Dep
dt
= b * Pre − Dep * f M (Pre )
d Pre
dt
Si hacemos a = 0.2, b = 0.4, fN(Pre) = (0.4/20)*Pre, fM(Dep) = (8/20)*Pre; y agrupando y haciendo
simplificaciones se obtienen finalmente las ecuaciones de Lotka – Volterra:
= Dep(0.02 * Pre ) − 0.2 * Dep

d Dep
dt
= 0.4 * Pre − Dep(0.4 * Pre )
d Pre
dt
El modelo Lotka-Voltera es presentado en la Figura 9.24 como un diagrama de niveles y flujos.
Depredador
NacimientosD MuertesD
FN
FM
Presa
NacimientosP MuertesP
b
Figura 9.24. Diagrama de niveles y flujo del modelo Depredador – Presa.
El comportamiento de este modelo depende de los parámetros y de las condiciones iniciales del
sistema. Este, básicamente, puede ser de tres tipos: estabilidad, oscilaciones o exterminación. 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 condición de
equilibrio, después de períodos 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 presentadas5; y la (c) presenta el caso de exterminación de la presa como
resultado de las depredaciones. Note que los resultados poseen diferentes condiciones iniciales
que también influyen en el comportamiento, haciendo de este modelo sensible a las condiciones
iniciales.
20
15
15
Depredador
10
10 Presa
Depredador
5
5
0 0
0 20 40 60 80 100 0 5 10 15 20
Tiempo Presa (a)
5
Este resultado podría ser interpretado como comportamiento cíclico inestable, sin embargo la restricción sobre las
poblaciones hace que no tenga sentido continuar las simulación con poblaciones nulas o negativas así exista la
posibilidad numérica de esto.
20
1,5
15
Depredador
1,0
10 Presa
Depredador
0,5
5
0 0,0
0 20 40 60 80 100 5 10 15 20
Tiempo Presa
(b)
40 10
30
Depredador
Presa
20 5
Depredador
10
0 0
0 20 40 60 80 100 0 10 20 30 40
Tiempo Presa
(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 análisis
de problemas reales. Observe que en este caso se presentó un modelo de un sistema sin alusión
a un problema en particular. A continuación se plantea un caso donde se aplica una variación del
modelo presentado para explorar posibilidades acerca del control biológico de la malaria.
9.8.2 Modelo Depredador – Presa Generalizado: aplicación al control biológico de la

malaria6
La malaria es una enfermedad difícil de controlar, que es transmitida al hombre por el mosquito
anofeles, y que es causa importante de la mortandad entre las poblaciones más pobres de los
países tropicales. Tradicionalmente el mosquito ha sido controlado con la ayuda de productos
químicos, 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 biológico, por medio de “depredadores” naturales (por ejemplo,
peces, insectos, nematodos, bacterias, hongos, etc.), buscando reducir la población de
mosquitos, sin causar daño al hombre. Una de las especies que cumple con estas características
es el Guppy Lebistes reticulatus (pez) – bastante resistente a aguas contaminadas y altas
temperaturas – que se cría en hábitat similares al de los mosquitos y es capaz de controlar la
proliferación de larvas. Otra especie con similares propiedades es el mosquitos es el Toxorinchitis
sp. Los adultos de Toxorinchitis se alimentan de néctar y polen y ponen sus huevos en el mismo
hábitat que las larvas de los anofeles.
6
Adaptado de Guzmán y Dyner (1994), Vol. 4, No 1, pp 69-84.
Para analizar el impacto del control biológico de la malaria se plantea una generalización y
adaptación del modelo Lotka-Volterra para tres especies, con consideraciones de hábitat
diferentes a las suposiciones iniciales del modelo. En este caso se incluyen variables como
alimentación, temperatura y contaminación. La finalidad de este modelo es permitir un análisis de
especies que pueden servir en el control biológico de la malaria.
Inicialmente se planteo un modelo de dos especies: la población de peces Lebistes reticulatus

(Depredador), la población de mosquitos anofeles (Presa) que interactúan en un depósito de agua
con una capacidad de porte especifica, bajo condiciones de temperatura adecuada, sin
contaminación y disponibilidad normal de alimento. El diagrama causal del modelo se muestra en
la Figura 9.26. Nótese que este presenta algunos elementos adicionales al modelo anterior de
Depredador – Presa, que son importantes en la biología de las especies en cuestión.
-
Muerte Peces - Alimento
Temperatura + - - Población
+ Peces
Contaminación Nacimiento
+ -
- Peces
Alimento Muerte Larvas
+
Peces
+ -
Control Población
Larvas
+
+
Anofeles
Nacimiento larvas +
+
Infección
+
Figura 9.26. Diagrama causal modelo control biológico de la malaria con dos especies
En las simulaciones originales del modelo se observó un comportamiento cíclico de las

poblaciones de larvas y de peces, que perpetúan su existencia acoplándose a los ciclos (mostrar
simulaciones!!!!). Sin embargo, con esta política no se logra resolver el problema de la eliminación
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 tamaño – se alimenta de las larvas del anofeles, aunque
también es caníbal, ya que los adultos (abreviado TAXA) se alimentan de los jóvenes (abreviado
TOX), y además se alimenta de los huevos de los peces. El modelo entonces, teniendo en cuenta
las consideraciones biológicas 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 biológico del Anofeles,
encargado de la transmisión de la Malaria.
TOX
-
+
+
TOXA Alimento
-
Muerte Peces -
Temperatura +
- - Población
+ Peces
+
Contaminación
Nacimiento + -
+
- Peces
Alimento Muerte Larvas
+
Peces
+ -
Control Población
Larvas
+
+
Anofeles
Nacimiento larvas +
+
Infección
+
Figura 9.27. Diagrama causal modelo control biológico de la malaria con tres especies
213
4 600 50 000 000
40 000 000
30 000 000
PEZ LAR
199
2 200 TOX 20 000 000 MOS
10 000 000
189
600 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tiempo Tiempo
Figura 9.28. Simulaciones del modelo control biológico de la malaria con dos especies
Con este caso, se puede observar como el modelo teórico Depredador-Presa de la sección
anterior se puede aplicar a un caso real, adaptándolo a las condiciones biológicas del problema
particular. Nótese que para la adaptación del modelo se tuvo en cuenta las condiciones
particulares biológicas de las especies incluidas.
9.8.3 Dinámica Agro-Industrial
En esta sección 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 tecnológico, el capital de trabajo, la capacidad de endeudamiento,
condiciones ambientales y productivas, entre muchos otros aspectos. A continuación se
presentará un caso simplificado de una agroindustria lechera.
En un terreno de 30 Ha, un granjero desea estudiar alternativas de manejo a su negocio de

ganadería. El cuenta con ganado vacuno y porcino. Desea mantener tantos como pueda
alimentar. El alimento de los cerdos proviene de la producción de suero, hecho con la producción
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
económica a la alternativa a la ganadería, que tipo de estrategias de compra-venta de ganado le
darían 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 información y el
material en el sistema (ver Figura 9.29). Las terneras nacen de acuerdo al ciclo de reproducción
de las vacas; ellas se convierten en novillas después de un año de vida; y después de un 18
meses más 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 inversión en más ganado.
La compra de ganado depende, además del precio y de las estrategias de inversión, de la

capacidad de carga de ganado de la finca. La capacidad de carga se estima con la productividad
normal de la tierra, el área y el consumo de una vaca. De acuerdo a la capacidad de porte, de la
cantidad de vacas equivalente y de las estrategias de inversión, se determina la cantidad de reses
a adquirir y/o vender. Note que si se tiene un mayor número de reses que la capacidad de porte,
la productividad disminuye con una relación no necesariamente lineal por el rápido deterioro de la
tierra. Una ternera requiere menos alimento que una novilla y esta menos alimento que una vaca
(de ahí el concepto de vacas equivalentes que agrega todo el ganado vacuno en un número
equivalente de vacas, en términos de alimentación).
Vacas_Equivalentes
Tasa_Nacimientos Terneras Tiempo_Crec Novillas Tiempo_Madur Vacas
Crias Crecimiento Maduracion
CompraVenta_Terneras CompraVenta_Novillas CompraVenta_Vacas
Produccion_de_Leche
CompraVenta_Vacas
Valor_Vaca
Compras_de_Terneras Valor_Ternera Valor_CompreVenta_Vacas
Capacidad_portante_de_teneras
CompraVenta_Novillas
Capacidad_de_compra_de_terneras
Valor_CompreVenta_Novillas Valor_Novilla
TamañoGranja_Ha Vacas_Equivalentes
CompraVenta_Terneras
Capacidad_Portante
Valor_CompreVenta_Terneras
Valor_Ternera
Ingresos_Netos
Productividad_tonXHa Inversion
Efento_Abono
Valor_Cerdos
ConsumoVacas_tonXvaca Valor_CompreVenta_Cerdos
Abono Alimento_para_Cerdos
Cerdos
Utilidades Intereses
Reproduccion_Cerdos
Tasa_Interes
Ventas_Cerdos
Capacidad_Portante_Cerdos
Figura 9.29. Diagrama de niveles y flujo del modelo de dinámica agroindustrial.
Las dos políticas a observar son: (a) la compra de terneras al máximo 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 simulación; (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 parámetros (entre otros: precios del
ganado, de la leche, etc.) se muestran en la Figura 9.30. Nótese que la política la (a) resulta más
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 análisis para apoyar la toma de decisiones.
15 000 000
60
10 000 000
Pesos ($)
Vacas
40
Novillas
Terneras 5 000 000
20
0
0 20 40 60 80 0 20 40 60 80
Meses Meses
(a)
60
15 000 000
50
40 10 000 000
Pesos ($)
Vacas
30
Novillas
Terneras 5 000 000

20
10
0
0
0 20 40 60 80 0 20 40 60 80
Meses Meses
(b)
Figura 9.30. Simulaciones del modelo de dinámica agroindustrial ante políticas a y b.
Por efectos didácticos, se han realizado simplificaciones al modelo. Se puede observar que no
hay muertes del ganado, ni diversas estaciones durante el año, 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 ganadería,
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 aplicación de la
DS a un sistema agroindustrial bajo diversas estrategias de inversión.
9.8.4 Mercado Eléctricos

Desde finales de los años 80s, la industria eléctrica ha realizados importantes transformaciones
en muchos países del mundo. El principal cambio ha sido el paso de un manejo estatal y
centralizado a uno de mercados en competencias con participación privada. Estos mercados han
operado bajo diversas condiciones institucionales que causan dificultades aun a las grandes
corporaciones de la industria eléctrica. En estas condiciones, las empresas toman decisiones que
incluyen la comercialización y la inversión en infraestructura, mientras que el gobierno asume el
papel de regulador; ambos en un ambiente de incertidumbre (climática, de precios, política, entre
otras) y donde la única “constante es el cambio”.
Este tipo de ambientes presenta posibilidades de aplicación de la DS. Esta puede ser utilizada
para desarrollar entornos para el aprendizaje de estrategia y para la evaluación de políticas, en
relación con inversiones, comercialización de electricidad, regulación y diseño de mercados.
Algunas de las aplicaciones mas importantes de DS en mercados eléctricos 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 instalación de capacidad de generación en
California; y Dyner, Lopez y Arango (2003) que muestran análisis de regulación, aprendizaje y
estrategia en Colombia.
Los mercados eléctricos fueron creados en las ultimas dos décadas. Dentro de los elementos que
interactúan de una u otra manera en su evolución están la evolución de la demanda, la cadena de
producción, la comercialización, el clima, el sector de gas, entre muchos otros. En la industria
eléctrica los retardos son bastante prolongados, por ejemplo si un inversionista desea construir
una central térmica se requiere más de dos años para que comience a operar y más de 7 si es
una planta hidráulica. Esto ocasiona retardos que pueden llevar a faltantes y excedentes
importantes que pueden causar problemas subabastecimiento a la población 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 será la demanda,
después de un retardo, y a mayor demanda se tiene un menor margen de reserva. Así 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 construcción; y, después de un retardo,
se convierten en capacidad de generación. Si se aumenta la capacidad de generación, el margen
de reserva aumenta y a mayor margen de generación, menor precio de electricidad y de esta
manera se cierra el ciclo de realimentación negativa o de balance. La Figura 9.31 presenta el
diagrama causal de este sistema.
Figura 9.31. Diagrama causal de la dinámica de los mercados eléctricos.
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 útil y por lo tanto hay retiro de plantas de generación que cumplen la
vida útil con un retardo de primer orden. También se tiene en cuenta la elasticidad de la demanda
al precio retardado. La formulación de este modelo puede variar de acuerdo a la estructura
particular del mercado, en especial la función de inversión que se utilice. Esta puede ser tomada
de la teoría económica directamente o de reglas de inversión observada en los mercados, entre
otras.
Investment
Retorno_Esperado
Cambio_Precio Capacidad_en_Construcci
Precio_Electricidad Plantas_Finalizadas
Precio_Retardado
Tiempo_de_Construcción
Capacidad
Demand
Margen_de_Reserva Retiros
Elasticidad_Precio Vida_Útil
Figura 9.32. Diagrama de niveles y flujo de la dinámica de los mercados eléctricos.
El comportamiento característico de este modelo son los ciclos de sub y sobre instalación de
capacidad instalada. Los ciclos varían de acuerdo diferentes parámetros, por ejemplo el tiempo de
construcción de una planta. Este parámetro puede variar considerablemente de sistema a
sistema, por ejemplo puede ser que el tiempo real de construcción de una planta de generación
térmica sea de uno o dos años, sin embargo pueden existir restricciones legales, de adquisición,
etc. que incrementen este tiempo. Si comparamos el comportamiento del sistema respecto a
variaciones en este parámetros observamos como se obtienen ciclos mas pronunciados y largos
cuando el tiempo de construcción se incrementa. Los retardos son una de las causas de las
inestabilidades y oscilaciones en los sistemas. En la, se observa esta situación con simulaciones
para diferentes tiempos de construcción –TC.
20
18
16
Margen de Reserva (%)
14
TC= 3 años
12 TC= 1 años
TC= 5 años
10
0 2 4 6 8 10 12 14 16 18 20 22 24
Años
Figura 9.33. Evolución del margen de reserva en un modelo genérico de un mercado eléctrico,
para diferentes valores de Tiempo de Construcción –TC– de las plantas.
De la misma manera, si la demanda reacciona a los precios de la electricidad (es elástica), el

comportamiento cíclico se podría reducir. El diseño actual de los mercados eléctricos hace que la
demanda sea poco sensible a cambios en el precio, o sea que es inelástica al precio, pues los
precios del mercado mayorista no se trasladan de manera inmediata al consumidor. Si se mejora
el diseño de los mercados con mayor participación de la demanda, el efecto sobre la capacidad
instalada conllevará a una disminución en la amplitud de los ciclos de capacidad instalada. Por
ejemplo, si la demanda de electricidad tuviese una elasticidad de 0.1, la reducción en los ciclos
que se podría esperar se observa en la Figura 9.34.
20
18
16
Margen de Reserva (%)
14
Elast.= 0.0
12
Elast.= 0.1
10
0 2 4 6 8 10 12 14 16 18 20 22 24
Años
Figura 9.34. Evolución del margen de reserva en un modelo genérico de un mercado eléctrico,
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
después de la apertura del mercado eléctrico, Bunn y Larsen pronosticaron un comportamiento
cíclico del margen de reserva; y cerca de 10 años mas tarde realizaron la comprobación de los
resultados de simulación con la historia real en el mercado (Bunn y Larsen, 1999). Ford (1999)
plantea el mismo tipo de comportamiento para el mercado eléctrico en el oeste de Estado Unidos.
Los autores del presente libro han venido investigando este tipo de modelación para el caso
colombiano, desarrollando diferentes problemas del sector.
Nótese que aquí se modeló el mercado eléctrico. Un tipo de modelación 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 Dinámica de mundo (Forrester 1971)
El modelo de dinámica del mundo se constituye en un aporte importante de la Dinámica de

Sistemas a las ciencias sociales, posterior a los realizados años antes por Forrester en los
campos de “Dinámica Industrial” (Industrial Dynamics, Forrester 1961) y “Dinámica Urbana”
(Urban Dynamics, Forrester 1969). La historia de este modelo ser remonta al año 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 análisis de problemas del globo terrestre.
El modelo del mundo desarrollado por Forrester se reportó en libro “Dinámica 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 organización que se dedica a buscar soluciones para crisis global que podría ocurrir en el
mundo debido a la saturación de la tierra para ser poblada, debido a que hay un crecimiento exponencial de la
población y los recursos, tanto renovables como no renovables, son limitados.
simplificación verdaderamente interesante de las principales variables socio-económicas de las
actividades humanas – explica las relaciones causales entre las variables población mundial,
inversión en bienes de capital, producción industrial, contaminación e inversión 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 interactúan entre si. La población posee su ritmo
natural de crecimiento que se ve afectado de acuerdo con la disponibilidad de recursos agotables
y las condiciones medioambientales. La contaminación es creada por las actividades propias de la
población mundial y por los bienes de capital. La producción agrícola, que representa los recursos
para alimentación de la población, esta determinada por las demandas de la población 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 población, la producción agrícola 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 “Dinámica del Mundo”
De acuerdo con comportamiento observando en el modelo, el sistema socioeconómico mundial
colapsaría durante el siglo XXI si no se toman medidas atinentes a la disminución de la demanda
de recursos del globo terrestre (Figura 9.36a). El modelo fue usado para hacer un análisis de
políticas, en búsqueda de un desarrollo sostenible para el sistema global.
Una política inicial se fundamenta en la reducción del uso de los recursos naturales en un 75% a
partir del año 2000, a través del mejoramiento tecnológico. Para ser posible esta sustitución, se
requiere incrementar las inversiones en bienes de capital lo que conlleva a una mayor
contaminación y un drástico deterioro en la calidad de vida, produciendo una catástrofe aun
mayor (Figura 9.36b) que la observada en la Figura 9.33a. Otra alternativa de política consiste en
buscar una reducción en la tasa de natalidad del 4% al 2.5% y un incremento del 30% en la
inversión de bienes de capital. Esto lleva a un aumento inicial en la calidad de vida pero sólo a un
al aplazamiento de la catástrofe (Figura 9.36c). Finalmente, si se plantea una política combinada,
pensando sistémicamente, que incluya una reducción de la inversión en bienes de capital del
40%, de la tasa de nacimientos del 50%, de la contaminación del 50%, del uso de los recursos
naturales 75%, y de producción de alimentos; se logra un desarrollo sostenible de largo plazo con
mejoras en la calidad de vida (Figura 9.36d). Las políticas anteriores se aplicaron en las
simulaciones a partir del año 2000.
8e9 8e9
2e10 2e10
1e12 1e12
40,0 40,0
2,0 2,0
3e9 3e9
8e9
Bienes de Capital Bienes de Capital
8e9
4e11 Recursos Naturales Recursos Naturales
4e11
16,0 Contaminación 16,0 Contaminación
0,8 Calidad de Vida 0,8 Calidad de Vida
0,0 0,0
1.900
1.925
1.950
1.975
2.000
2.025
2.050
2.075
2.100
1.900
1.925
1.950
1.975
2.000
2.025
2.050
2.075
2.100
Años Años
(a) (b)
8e9 8e9
2e10 2e10
1e12 1e12
40,0 40,0
2,0 2,0
3e9 3e9
Bienes de Capital 8e9
Bienes de Capital
8e9
4e11 Recursos Naturales 4e11 Recursos Naturales
16,0 Contaminación 16,0 Contaminación
0,8 Calidad de Vida 0,8 Calidad de Vida
0,0 0,0
1.900
1.925
1.950
1.975
2.000
2.025
2.050
2.075
2.100
1.900
1.925
1.950
1.975
2.000
2.025
2.050
2.075
2.100
Años Años
(c) (d)
Figura 9.36. Comportamiento del modelo “Dinámica del Mundo” de Forrester sin ninguna medida
adicional a la tendencia actual (a), con políticas inapropiadas (b) y (c), y políticas de desarrollo
sostenible (d).
Esta línea de investigación continuó recibiendo el apoyo financiero de El Club de Roma, bajo la
dirección de Dennis Meadows, estudiante de doctorado del MIT, quien desarrollo el modelo
WORLD2. Los resultados fueron publicados en el libro “Los Límites del Crecimiento” (The Limits
to Growth, Meadows et al 1972). En la posterior versión del modelo -WORLD3- se aprecia un
tratamiento mucho mas elaborado y detallado del sistema socioeconómico 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 último ha
tenido mucha mayor acogida posiblemente por su estilo amigable y poco técnico.
Sin embargo, este modelo ha tenido diversas críticas, dentro de las cuales sobresale el trabajo
presentado por Nordhaus(1973) en la publicación científica “Economic Journal”. Nordhaus
concluye, entre otros, que el modelo contiene conceptos no claros de las funciones de producción
o consumo, que el modelo esta aparentemente construido sin soporte en datos o estudios
empíricos, que las suposiciones son intuitivamente plausibles para el autor, pero sin referencia al
conocimiento de la época, 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). Introducción a la Dinámica de Sistemas. Alianza Editorial.
Clark R. (1988). System dynamics and modeling. Operations Research Society of America.
Coyle R.G. (1977). Management System Dynamics. John Wiley & Sons.
Dyner I. (1991). Dinámica de Sistemas y simulación continua en el proceso de planificación.

COLCIENCIAS y Universidad Nacional de Colombia.
Forrester J.W. (1961). Industrial Dynamics. MIT Press.
Forrester J.W. (1968). Principles of systems. MIT Press.
Guzmán, Ricardo, y Dyner, Isaac, 1994. Modelo de simulación 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. John 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, Jørgen 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 Journal, 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 SIMULACIÓN BASADA EN AGENTES
10.1 INTRODUCCIÓN
Al hacer referencia al término Agentes, en ambientes de expertos en sistemas, se hacen

conexiones con Paralelismo, Distribución, Descentralización, Auto organización, y por
consiguiente, también se piensa en sistemas relacionados, por ejemplo, con:
• Gansos
• Hormigas
• Abejas
• Termitas
• Atascos de tráfico; Autopista (automóviles)
Hasta el momento, la discusión entre los estudiosos del tema de Agentes se centra en aspectos
relacionados con su comportamiento. Una corriente de pensamiento lo explica en función del
liderazgo ejercido a su interior, mientras que otra lo hace en términos de auto organización -
resultante de la interacción entre sus miembros, o agentes, los cuales se guían por los estados o
por reglas generalmente sencillas.
La Simulación Basada en Agentes (SBA) o la Simulación Multiagente (SMA) se diferencia de

otras clases tradicionales de simulación en que (en parte) las entidades simuladas son modeladas
en términos de agentes. Otras expresiones equivalentes a “Simulación Basada en Agentes”,
según el tópico que se esté tratando, son: “Simulación Basada en Computación”, “Modelación
Basada en Computación” o “Modelos Basados en Agentes”.
10.2 CARACTERIZACIÓN DE AGENTES
Al igual que la simulación orientada a objetos, la SBA soporta una estructura que preserva el
modelamiento de la realidad simulada. La SBA tiene las siguientes características:
• Control distribuido; esto significa que soporta computaciones en paralelo sobre máquinas
separadas.
• La simulación soporta comportamiento pro-activo o reactivo, o ambos, por parte de los
agentes.
• Lenguaje de comunicación: se pueden utilizar lenguajes de comunicación entre los agentes
que estén compuestos por señales simples (procedimentales), por ejemplo, vía el KQML
(Knowledge Query and Manipulation Language), o no utilizar lenguajes de comunicación.
• Habilidad de añadir o borrar entidades durante la simulación.
• Facilidad para intercambiar un agente con la correspondiente entidad simulada, por ejemplo,
una persona real o una máquina física, (durante la simulación) haciendo la simulación de
escenarios muy dinámica.
• Facilita la simulación del comportamiento de grupos en situaciones altamente dinámicas,
permitiendo así el estudio del “comportamiento emergente” que no es fácil de entender con
los métodos tradicionales.
• Están situados dentro de un ambiente computacional en el cual pueden sentir y actuar
recíprocamente.
• Las transiciones entre estados son especificadas por una red de comportamiento
probabilístico.
• Claridad espacial: los agentes pueden ser asignados a una localización en el espacio, dentro
del cual se pueden mover, o simplemente, dejarlos quietos en el espacio para lo cual no se
dará ningún movimiento en el espacio.
• Adaptatividad: Los agentes pueden estar en un ambiente en el cual puedan aprender, o en
uno donde todo sea estático.
• La interacción de los agentes puede darse como interacciones de colaboración, o
simplemente, acciones individuales de los agentes en las cuales no se ve colaboración.
• Aunque cada agente sólo tenga un repertorio relativamente pequeño de comportamientos,
cuando varios agentes actúan recíprocamente 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 actúan recíprocamente con su ambiente por medio de acciones. Cuando el mundo
de agentes se simula, algo debe arbitrar para saber si las acciones ensayadas tienen éxito; este
papel es realizado por un árbitro. 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

características interesantes y reales.
10.4 EJEMPLOS DE APLICACIONES DE SIMULACIÓN BASADA EN AGENTES
La SBA es apropiada para la simulación de situaciones donde hay un gran número de individuos
heterogéneos quienes pueden comportarse de forma diferente. Por ejemplo:
• Vehículos (y peatones ) en situaciones de tráfico.

• Actores en mercados financieros.
• Comportamiento de consumidores.
• Humanos y máquinas en campos de batalla (competencia).
• Personas en grupos.
• Animales y/o plantas en eco-sistemas.
• Criaturas artificiales en juegos de computador.
• Actividades de entrenamiento.
• Evolución 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, iluminación, en donde los agentes son personas con preferencias.
• Entrenamiento en políticas para que los funcionarios desarrollen habilidades de gerencia para
aplicar en eventos de órdenes públicas
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 sólo se busca posibilitar la simulación sino también permitir que los
individuos interactúen 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 líneas de comunicación entre los agentes, los sensores y los accionadores de
luz, calor, etc. Los objetivos son tanto de ahorro de energía, por ejemplo, luces que son apagadas
automáticamente y temperaturas que se reducen cuando los espacios están vacíos, e incremento
de la satisfacción del cliente por medio de valores añadidos 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 análisis de estrategias con dos alternativas
en juegos simétricos tales como el Dilema del Prisionero. El soporta ruido, concursos, dinámica
poblacional y división 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 análisis de sistemas de transporte de mercancías.

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 también se incorporan problemas
de localización de recursos. Se espera que al usar la metáfora de los agentes para caracterizar
los bienes (productos) en una simulación de flujo de material, se facilite la evaluación de criterios
de decisión para la administración o para el manejo logístico colaborativo e interorganizacional
Algunos otros simuladores se han desarrollado para asistir en el entrenamiento de políticas, a

funcionarios que deban desarrollar habilidades de gerencia.
Los sistemas geográficos tienen intrínsicamente 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 teórica y de modelamiento computacional surge dirigida como
probablemente sea de interés para cualquier modelamiento de un sistema geográfico
caracterizado por:
− Interacciones individuales de micro-nivel que conducen a un fenómeno emergente de macro-

nivel, el cual retorna realimentación para afectar las acciones de micro-nivel;
− Interacciones no lineales (no separables) entre múltiples agentes y sus ambiente; y
− Efectos positivos de realimentación.
En problemas de asentamientos al interior de un país, los tamaños y la distribución de las
ciudades están fuertemente influenciados por cambios en la estructura económica (como la
transición hacia una economía basada en información) y por mejoras en el transporte (Couclelis
1994). Tales cambios tienen implicaciones sobre políticas potenciales en términos de
infraestructura económica y comunitaria, e intervenciones ambientales.
Los modelos de emplazamientos (enclaves) dividen a la población de agentes en varios sectores

económicos, donde los agentes en cada sector son asignados de acuerdo con un perfil específico
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 tecnologías para
facilidad de interacción). Los sectores son interpretados como una diferenciación económica entre
agentes, y no están necesariamente correlacionados espacialmente con anterioridad.
En manifestaciones, se pueden observar los siguientes comportamientos:
• Manifestantes cercanos que pueden entrar en confrontación.

• 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 específico, un comportamiento particular, o una
construcción cercana.
• Si unos pocos de los manifestantes son los que indican la ruta y el resto son seguidores, se
formará una marcha.
• Una restricción puede crear una especie de embudo y se formará un acopio (rezago). Cuando
los agentes dejen la restricción, la marcha llegará a estar más espaciada. Si la marcha llega a
estar muy espaciada, entonces un agente puede perder la visión de los de adelante y así,
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 policías, 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 simulación.

• Una fuga de gas: puede cambiar la marcha en una manifestación.
• Un arma de fuego: para acordonar los caminos de los alrededores.
• Agregar construcciones.
• Agregar caminos.
10.6 AGENTES - AUTÓMATAS CELULARES. CARACTERÍSTICAS
Hay que definir automata celular….Los sistemas multiagentes poseen características similares a
los Autómatas Celulares (AC); algunas de ellas son:
• Igual que los AC, los agentes existen en algún espacio. En un contexto urbano, cualquier
número de ambientes artificiales pueden ser diseñado para agentes que habiten, desde
espacios pequeños 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 algún límite discreto que los separa del ambiente en el cual
existen. Pueden ser diseñados para imitar cualquier entidad urbana como por ejemplo,
habitantes, negocios, vehículos, etc.
• Los agentes tienen conjuntos de atributos o estados que describen sus características. Los
estados pueden ser formulados para representar los atributos de organizaciones urbanas
reales, por ejemplo, un agente es diseñado para imitar un grupo familiar que puede tener
atributos tales como un ingreso medio, carro propio, etc.
• En AC el intercambio de información es realizado a través de las vecindades. En los SMA el

intercambio de información es más explícito: 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 está dirigido por reglas de transición.
Cualquier número de reglas pueden ser diseñadas 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 podrían 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, apartándose drásticamente 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 economía y demografía. Entre los comportamientos que se
estudian están el comercio, la migración, la formación de grupos, el combate, la interacción con el
ambiente, la transmisión y la cultura, la propagación de epidemias y la dinámica poblacional.
En su presentación, 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 información 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
macroscópicos.
Como se ha discutido en la metodología, 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 características fijas como sexo, metabolismo, y otras que podrían
cambiar en el tiempo como preferencias económicas, salud e identidad cultural. El ambiente se
modela en este caso como una red donde los individuos interactúan. Finalmente, las reglas en el
modelo definen la movilidad de los individuos, el tipo de relaciones con los otros, y están acopladas
con el estado del ambiente o posición en donde se encuentra. El modelo fue desarrollado por medio
de Programación Orientada a Objetos, donde tanto los agentes como el ambiente son tratados
como objetos.
La metodología de estudio consiste básicamente en la “liberación” de una población 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 macroscópico; por ejemplo, la
formación de tribus. La formación, crecimiento o emergencia de las estructuras sociales se realiza
desde la interacción de los individuos que actúan en un ambiente artificial bajo ciertas reglas de
juego. El modelo desarrollado se llama “The Sugarscape Model”, con el cual se analizan temas
demográfico, económicos, y antropológicos, entre otros. Los temas tratados en profundidad por
medio de simulaciones incluyen:
• Vida y Muerte
• Sexo, Cultura y Conflicto: La Emergencia de la Historia
• Azúcar y Especias: Comercialización 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 información y de
procesamiento en la toma de decisiones. Al final se explica, por medio de los SMA, como una
sociedad artificial puede tener características similares a las de una real. Ver la referencia para
mayor profundidad en el análisis 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 económico complejo. En el simulador,

la población de agentes tiene que decidir si va al bar cada noche de un jueves. Los agentes
acuden si el bar no está demasiado amontonado (más del 60% de los agentes, o de la capacidad
del bar). Cada agente trata de predecir lo que harán los demás por medio de dos modelos de
pronósticos, entre cuatro que tienen disponible.
Si la mayoría de los agentes predicen que el bar no estará demasiado amontonado entonces
todos irán y será demasiado amontonado, y viceversa.
M 1 : xt = xt −2 + 5
M 2 : xt =
(xt −3 + xt −2 + xt −1 )
3
Ejemplo de modelos de pronósticos:
M 3 : xt = 22 * xt(−−10.7 ) M 4 : xt = 23 − 0.3 * xt −1
Modelos para predecir
M1: M2: M3: M4:
xt = xt − 2 + 10 (xt −3 + xt −2 + xt −1 ) xt = 22 * xt(−−10.7 ) xt = 45 − 0.3 * xt −1
xt =
3
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+…..
10.8.1 Resultados: Juego del “Bar el Farol”
• El rango de asistencia oscila alrededor del 60%.

• No es un patrón simple de comportamiento.
• Tienen modelos de diferentes reglas durante todo el tiempo.
• Cada agente aplica un modelo escogido de un menú, y es el preferido según el grado de
éxito.
• No se adoptan estrategias particulares durante un tiempo.
• No hay unas reglas claramente identificables por agente.
• Parece una actuación aleatoria y homogénea debido a que el sistema entero es
determinístico y cada agente empieza con un menú 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 estocásticas.
• Teoría de las multitudes (conglomerado) o del anticonglomerado.
• Juegos evolutivos.
• Aplicaciones de Redes Neuronales.
• El MG y las ecuaciones diferenciales estocásticas.
• Soluciones exactas, los equilibrios de Nash, dinámica del replicador en MG.
• Los MG espaciales. Los "Mundos pequeños". La organización social.
10.9 EJEMPLO DE APLICACIÓN: ANÁLISIS DE PODER DE MERCADO EN EL MERCADO

ELÉCTRICO ALEMÁN
(basado en Bower et al 2001)
Con la liberalización del mercado eléctrico alemán en abril de 1998, los precios mayoristas de
electricidad bajaron drásticamente en 60%, lo cual fue observado como un éxito del proceso de
transformación. No obstante, esta caída en precios implicó una considerable reducción en los
ingresos de los generadores. Los mayores generadores adoptaron una serie de estrategias cuyo
impacto buscaba la concertación en el mercado, con el propósito 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 eléctricos para influir sobre los precios.
En economía de las organizaciones industriales se ha considerado que dependiendo de la

concentración 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 metodologías utilizadas para
este propósito se fundamenta en el uso del índice 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 señala 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 dinámicas del mercado eléctrico
aleman como consecuencia de posibles decisiones estratégicas de los agentes que lo conforman.
Esto contrasta con los modelos de equilibrio – tradicionales en economía – a través de los cuales
se derivan, entre otros, el índice HHI. Con los SMA, como se ha venido discutiendo en el capítulo,
se permite el análisis económico del sistema mediante la modelación de: acciones e interacciones
entre agentes en el tiempo; continua adaptación y adecuación de estrategias de acuerdo a la
evolución del sistema; modelación del “grado de racionalidad” deseado, evitando el cuestionable
comportamiento de los agentes totalmente racionales; emergencia de comportamiento complejo
como un resultado de la interacción de los agentes y no impuesto de manera exógeno.
El modelo desarrollado (Bower et al., 2001) especifica un mercado (ambiente) en el cual

participan firmas (agentes). Las firmas poseen ciertas características y conocimientos para
realizar sus operaciones. Cada firma tiene las capacidades de encuentros con otras firmas
(“sensing”) y de almacenar una limitada cantidad de información del sistema, y así poder aplicar
reglas de comportamiento para tomar decisiones de precio, inversiones, etc. El modelo consiste
en una serie de acuerdos de comercialización, de un conjunto de firmas y de una demanda
programada. Los acuerdos de comercialización 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 generación (capacidad, combustible, eficiencia, disponibilidad y costos marginales).
La demanda se asume agregada en una curva de demanda, la cual no tiene ningún
comportamiento estratégico 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 decisión: 1 conciencia
propia, 2. restricciones de información, 3. funciones objetivo, 4. Selección de estrategias y 5.
restricciones estratégicas. En la referencia se encuentran mayor detalle sobre estas (Bower et al.,
2001). Las reglas de decisión están basadas en procesos fundamentales tales como la mutación,
con la cual las firmas seleccionan estrategias de oferta de una fuente infinita; la realimentación,
con la cual las firmas pueden observar los resultados de sus decisiones; la selección, 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 agregación de algunas pequeñas
firmas en una sola, manejo de la transmisión e interconexiones con otros países, consideraciones
computacionales y detalles del despacho, entre otros.
Antes de la fusión de algunas firmas, se observó un valor entre 500 y 800 del HHI, medido sobre
la porción de mercado de capacidad de generación de acuerdo con diferentes fuentes
disponibles. Acorde con las recomendaciones sobre potencial poder de mercado, estos valores no
representan mayores problemas de concentración 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 ocurrió en 1999 – cuando se registraron valores por encima del precio competitivo.
Con la ayuda de simulaciones se concluyó que las firmas en el mercado eléctrico alemán tienen el
potencial para ejercer un poder de mercado limitado a pesar de que el índice HHI es inferior a 800
– lo cual podría cuestionar el uso que se le da al índice en este tipo de mercados. De hecho, el
ejercicio de poder de mercado se ha ejercido históricamente en Alemania. Se mostró que esto se
logra mediante un comportamiento estratégico, donde las firmas están dispuestas a reducir la
capacidad de utilización de sus plantas y por lo tanto su porción de mercado, logrando un
incremento en los precios.
10.10 SOFTWARE PARA SMA
En internet se encuentra abundante información sobre Simuladores Multiagentes, y hay un gran

número 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 características de ellos.

Nombre AC/Agente URL Plataforma Licencia
DUEM AC http://ceita.acad.emich.edu C++
JCASim AC http://www.sc.cs.tu-bs.de/~weimar/jcasim/ Java
ZEUS Agente http://innovate.bt.com/projects/agents.htm EOS
Swarm http://www.swarm.org Objective- GNU
Agente C
Kenge AC http://www.nr.usu.edu/swarm Objective- GNU
C
RePast Agente http://www.spc.uchicago.edu/src.cgi?csshome Java GNU
Aglets Agente http://www.trl.ibm.co.jp/aglets/ Java GNU
JADE Agente http://sharon.cselt.it/projects/jade/ Java GNU
StarLogo AC-agente http://www.media.mit.edu/starlogo/home.htm Java
IMT Agente http://flock.cbl.umces.edu/imt/
Ascape AC-agente http://www.brook.edu/es/dynamics/models/ascape
Java
MAML Agente http://www.syslab.ceu.hu/maml Objective-
C
Las siguientes secciones presentan una descripción de dos de los software más representativos:
Netlogo y Swaps.
10.11 SOFTWARE NETLOGO
A continuación 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 internet8.
10.11.1 Ejemplo 1: atasco de tráfico; qué es?
Este ejemplo modela el movimiento de carros sobre una autopista. Cada carro sigue un conjunto
simple de reglas: disminuye la velocidad si él ve un carro cerca y adelante, y acelera si no ve
carros adelante.
El ejemplo demuestra cómo el atasco de tráfico (circulación) puede formarse incluso sin
accidentes, puentes caídos, o volcamientos de vehículos. Una “causa no centralizada” es
necesaria para que se forme un atasco.
Comandos:
Setup: Número de carros
Drive: Movimiento de los carros
SpeedUp: control de la tasa de aceleración cuando no hay carros adelante.
SlowDown: Disminución de la velocidad de un carro cuando hay otro al frente.
Sim-Delay: Permite disminuir la velocidad de la simulación
Asuntos para observar en las simulaciones:

Los embotellamientos empiezan con semillas aleatorias. Los carros inicialmente están en
posiciones aleatorias y con velocidades aleatorias. Si algunos carros están conglomerados, ellos
se moverán lentamente, causando como comportamiento, que ellos desaceleren, y se formen
embotellamientos.
Aún cuando todos los carros se están moviendo hacia delante, los embotellamientos tienden a
moverse hacia atrás. Este comportamiento es común en fenómenos 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 más alta de cualquier carro (esto no excede la velocidad límite).
8
http://ccl.northwestern.edu/netlogo/
La velocidad más baja de cualquier carro.
La velocidad de un único carro (tortuga 0, agente 0), pintado con rojo para que pueda ser
observado
Se observa no solamente el máximo y el mínimo, sino también 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 número inicial NUMBER de carros, SPEEDUP, y SLOWDOWN.
En las simulaciones se podrán apreciar patrones de cómo cambios en las tres variables afectan el
flujo de tráfico. Cuál variable tiene el mayor efecto? Los patrones tienen sentido? Ellos parecen
ser consistentes con sus experiencias como conductor?
Escoja SLOWDOWN como cero. Qué 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 aceleración y la desaceleración. Es la regla presentado aquí realista?
Son las otras reglas más atinadas o representan mejor las estrategias de conducción?
En realidad, diferentes vehículos pueden seguir diferentes reglas. Trate de dar diferentes reglas o
valores a la aceleración y la desaceleración de algunos carros. Puede un mal conductor confundir
más las cosas?
Qué puede usted cambiar para minimizar las oportunidades de formación de embotellamientos?
Qué puede cambiar para hacer que los embotellamientos se mueva hacia delante en vez de hacia
atrás?
Modelos relacionados:
El que agrega gráficos, camiones y radares en StarLogo – "Gridlock" (en HubNet, puede ser
corrido como una simulación participativa) – mira el tráfico en una cuadrícula con muchas
interacciones.
El simulador fue adaptado del modelo de tráfico del MIT Media Lab. Ver Resnick, M. (1994)
"Turtles, Termites and Traffic Jams: 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: propagación de fuego; qué es?
Este ejemplo simula la propagación del fuego a través de un bosque. El fuego empieza sobre el
lado izquierdo del bosque y se propaga al árbol 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 árboles en el bosque.
Comandos:
SETUP: Escoge el numero de árboles (verdes) y el fuego (rojo) sobre el lado izquierdo.
GO: Empieza la simulación.
DENSITY: Éste deslizador controla la densidad de los árboles en el bosque.
Asuntos para observar en las simulaciones:

Cuando se escoge la densidad de los árboles 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 transición alrededor del 59%; en este valor, hay una oportunidad del 50% de alcanzar el lado
derecho. Nótese que las paredes azules previenen que el fuego se expanda fuera de los bordes
de la pantalla.
Características del netlogo:

Este ejemplo sólo usa parcelas, no tortugas; cada árbol usa la primitiva NSUM4 para determinar
si algún ambiente de los árboles del entorno está en el fuego. Note cómo 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 Jams: 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 simulación de modelos basados en agentes

para ser aplicado en una amplia gama de disciplinas. Este ha sido desarrollado en el
Instituto Santa Fe9. La idea básica del software es la simulación de agentes que
interactúan dinámicamente. Este software es experimental. Su desarrollo comenzó en
1994 y la primera versión se hizo disponible en 1996. Este ha sido aplicado en una
enorme variedad de disciplinas, entre ellas la biología, antropología, computación,
defensa, ecología, economía y geografía, entre otras.
El software utiliza elementos llamados Swarm (enjambre, aglomerado), los cuales están
encargados de la asignación de memoria y la programación de eventos. En general, la
simulación de un simple Swarm consiste del modelo donde los agentes interactúan, y de
un observador del sistema. El software esta compuesto por un conjunto de librerías que
facilitan la implementación 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 también tener
jerarquizaciones de los agentes, las cuales no necesariamente se conservan. Existe la
posibilidad de componer y descomponer jerarquías, 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 través de sus interacciones.
9
El Instituto Santa Fe un centro de investigación privado, sin ánimo de lucho y multi-disciplinario, fundado en 1984.
Este busca la investigación mediante diferentes tipos de proyectos que permitan quebrar las barreras entre las
disciplinas tradicionales y difundir las nuevas ideas y metodologías a otros individuos para potencializar sus resultados.
Ver mas en su página de Internet (www.santafe.edu/).
Swarms realiza un almacenamiento temporal para un conjunto de agentes interactuando
en un sistema. Este puede tener además otros Swarms con las mismas propiedades, y
en ambos casos el modelador debe definir el comportamiento de los agentes usando
reglas de decisión con la complejidad deseada. El modelador debe describir también
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 construcción
de modelos: mensajes, objetos (los agentes), grupos y eventos.
Como requisitos para el uso del software, se recomienda tener una comprensión básica
de programación de computadoras y del conocimiento al menos un lenguaje de
programación orientado a objetos (Java 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 más información para el lector que desee
profundizar en el tema, no solo sobre el software y sus características, pero también
sobre la metodología de los SMA.
10.13 EJERCICIOS
10.14 REFERENCIAS
John 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
Joshua 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 MÉTODOS DE MONTECARLO
Los métodos de Montecarlo fueron introducidos por Von Neumann y Ulam en 1940 (Naylor, 1971)
para tratar, a través de simulaciones, algunos problemas matemáticos complicados que
presentaban dificultades para ser resueltos en forma analítica.
En general, la simulación mediante métodos de Montecarlo posee una base estocástica o

probabilística. Su uso está enfocado a problemas que implican el manejo de Variables Aleatorias
o Procesos Estocásticos, con ciertas funciones de distribución (cómo se indicó en la Parte I de
este texto). Los problemas determinísticos que se abordan a través de esta aproximación deben
ser formulados en términos estocásticos como se podrá apreciar en las secciones siguientes. A
continuación se presentan algunos casos que son tratados por medio de simulación de
Montecarlo, anotando que en la actualidad existen métodos numéricos que superan los algoritmos
de solución aquí empleados. No obstante, estos siguen teniendo interés conceptual.
11.1 ESTIMACIÓN MONTECARLO DEL NÚMERO π
Uno de los métodos de Montecarlo más antiguo es el utilizado para la estimación del número π. El
esquema que se emplea (el de Bufón y la aguja) consiste en el lanzamiento “n” veces de una
varilla de longitud L sobre una superficie reglada, con líneas a una distancia D, como se puede
apreciar en la Figura 11.1Figura 11.1
D
L Y2
θ
Y1
L/2 L/2
Figura 11.1. Lanzamiento de una varilla de longitud L sobre una superficie reglada para la
estimación del número π.
Se debe cumplir la condición L ≤ D. De la Figura 11.1 se puede deducir que:
Y2 = (L/2) * SIN (θ )
PI = (L*2)/PRO*D ¿??????
Donde
PRO = probabilidad de éxito (intercepción arriba o abajo)
Luego para calcular π (que denominaremos PI), lanzaremos n veces la varilla y estimaremos
PRO, la probabilidad de que la varilla corte una de las líneas, de la siguiente manera
Número de cortes de línea

PRO =
n
Para realizar esto a través del método 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 líneas paralelas y con que
ángulo. Para este fin se generan dos números uniformemente distribuidos así: el primero entre 0 y
D, y el segundo entre 0 y 90 grados. Y1 ubica la distancia desde una de las líneas paralelas al
centro de la varilla (el punto medio). TETA determina el ángulo 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 Y2≥Y1 (corte por debajo).
D, L, N
NCORTE = 0
DO I = 1,N
CALL UNIF (D,Y1) → (Y1 = R1 * D)
CALL UNIF (90,TETA) → (TETA = R2* 90)
Y2 = (L/2) * SIN (TETA)
SI
D ≤ Y1+Y2
SI NCORTE = NCORTE + 1
Y2 ≥ Y1
CONTINUE
PRO = NCORTE/N
PI = (2*L)/PRO*D
PI, PRO
FIN
11.2 INTERPOLACIÓN LINEAL
Se tiene una función definida como f(x)=f(x1, x2, ..., xn) n = 1000
Es posible calcular f en cualquier vértice del cubo unitario; es decir, cuando xi es cero o uno, i =
1,..., n. El problema es interpolar f en P = (p1, p2 , ... , pn), 0 ≤ pi ≤ 1, es así
f (P ) = ∑ r1 r2 ...rn f ( δ 1 ,δ 2 ,...,δ n )
n
f (P ) = ∑ ri f (δ i )
o así i =1
La suma se hace sobre todas las combinaciones de δi = 0 ó 1 y
Hay que sumar 2n términos, cada uno como producto de n+1 elementos, lo cual se traduce en
problemas de tiempo y redondeo.
⎧1 − pi δi = 0
ri = ⎨
⎩ pi δi = 1
f(x)
f(0.3)=0.7*f(0)+0.3
0 0.3 1 x
Figura 11.2. Ejemplo de interpolación lineal con métodos de Montecarlo.
Ejemplo:
Un proceso sustituto sería escoger n números aleatorios y, de acuerdo con ellos, definir:
1 con probabilidad 1 - pi
ni=
0 con probabilidad pi
Luego,
P[n1 = δ 1 , n 2 = δ 2 ,..., n n = δ n ] = r1 r2 ...rn .
Entonces t=f(n1,n2,...,nn) es insesgado de f(p)
ya que E [t ] = ∑ f [δ 1 , δ 2 ,..., δ n ]r1r2 ...rn .

Además, podemos estimar a f(p), por
∑ f (n , n ,...n n )
1
T= i 1 2
N i =1
y seguirá siendo insesgado con varianza
[]
Var t =
1
N
Var [ f (n1 , n 2 ,..., n n )].
11.3 CÁLCULO DE MATRICES GRANDES
Los métodos de Montecarlo son posibles aplicarlos para realizar cálculos con matrices
extremadamente grandes, mediante aproximaciones. Este tipo de estimaciones fue útil cuando
se tenían mayores limitaciones de cómputo; pero ahora no tienen mucha validez debido a los
avances tecnológicos.
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
C ij = ∑ a ik bkj .
k =1
Cuando m es muy (pero muy!) grande, se pueden seleccionar N elementos al azar y estimar Cij
por
m N
rij = ∑ a ikr bkrj .
n r =1
Este es un estimador insesgado con varianza
m−n ⎡ m 2 2 ⎛ m ⎞ ⎤
2
⎢m∑ a ik bkj − ⎜ ∑ a ik bkj ⎟ ⎥.

N (m − 1) ⎢⎣ k =1 ⎝ k =1 ⎠ ⎥⎦
Para m ≈ 105 vale la pena el método. En este caso N ≈ 103 produce desviaciones aceptables.
11.4 INTEGRACIÓN DE MONTECARLO
Se desea estimar el valor de la integral

b
I = ∫ g ( x )dx
a
Donde:
g(x): función continua en [a,b]
a,b son valores límites de la función a integrar
11.4.1 Método de Hit or Priss
Se escogen puntos al azar dentro del rectángulo que tiene base ab y altura c (En la figura 10.2
denotados por estrellitas).
c
*
r *
* *
*
*s * *
*
0
a b
Figura 11.3. Método de Hit o Priss de integración de Montecarlo.
La probabilidad de que los puntos se ubiquen por debajo de la función g(.) esta dada por:
b
area.s I ∫a g (x )dx
P= = =
area.r c(b − a ) c(b − a )
) N# Número de aciertos
P= =
N Número de lanzamentos
I ≈ θ 1 = c(b − a )
N#
N
c(b − a ) c(b − a )
E [θ 1 ] = E [N # ] = Np = I
N N
Luego, θ1 es insesgado con:
c 2 (b − a ) c 2 (b − a )
2 2
Var [θ 1 ] = [ ] Np (1 − p ) = [c(b − a ) − I ]
T
2
Var N H = 2
N N N
HAY PROBLEMA CON T SUBRAYADO!!! TRATE DE DEDUCIRLO Y TENGO PROBLEMAS!

SUPONGO QUE QUE ES SUBINDICE TETA 1 … PERO HAY PROBLEMA DE CUADRADO…
ETC..
Tθ1 =
1
1
[I (c(b − a ) − I )] 12
2
N
11.4.2 Método de la Media Muestral
b
g (x )
I = ∫ g ( x )dx = ∫ f x ( x )dx
a
f x (x )
fx(x) - función de densidad fx(x)>0 si g(x)≠0
⎡ g (x ) ⎤ g (x )
I = E⎢ ⎥ =∫ f X ( x )dx
⎣ f X ( x )⎦ f X (x ) , X con densidad fx(x)
f X (x ) =
1
Si b−a x Є (a,b)
θ 2 = (b − a ). ∑ g (x )
1
i
N
E [θ 2 ] =
(b − a ) N .E.[g (x )] = (b − a ) g (x ) 1
N ∫ (b − a )
dx = I
1 ⎡ ⎤
b
Var [θ 2 ] = ⎢ (b − a )∫ g 2 ( x )dx − I 2 ⎥
N⎣ a ⎦
1
1 ⎡ ⎤
b 2
σθ = ⎢ (b − a )∫ g 2 ( x )dx − I 2 ⎥
N ⎣ ⎦
2
a
Eficiencia
Var [θ 1 ] − Var [θ 2 ] ≥ 0
luego, el método de la Media Muestral es más eficiente que el método de Hit or Priss.
11.4.3 Método Burdo de MONTECARLO
1
θ = ∫ f (x )dx
0
Sea f una función continua en [0,1] y

Se desean encontrar estimadores de θ
Sean r1, r2,..., rn números aleatorios,

Definimos
fi=f(Ri) (ri observación de Ri)
Entonces,
1
E [ f i ] = E [ f (Ri )] = ∫ f (r ).1dr = θ
0
Lo que demuestra que fi es un estimador insesgado de θ.
Además,
1 n
f = ∑ fi
n i =1
es estimador insesgado de θ, con varianza
[] σ2
1
Var [ f i ] = ∫ ( f (r ) − θ ) dr =
1 1
Var f =
2
n n0 n
Así, para estimar θ, calculamos
1 n
f = ∑ f (ri )
n i =1
El estimativo de σ2 lo encontramos de
s2 =
1 n
(
∑ f (ri ) − f
n − 1 i =1
)
2
para determinar el intervalo de confianza
s
f ±k
n
11.4.4 Método Acierto o Falla de MONTECARLO
El método consiste en lanzar aleatoriamente n puntos sobre la región [0,1] x [0,1] para luego
contabilizar aquellos que caigan debajo de la función f. Estimamos a θ por
NA Número de aciertos
g= =
N Número de puntos lanzados
NA tiene distribución Binomial con parámetro 0.
Luego,
[]
Eg =
1
n
E [N A ] = nθ = θ
1
n ,
demuestra que g es insesgado. Además,
[]
Var g = θ (1 − θ )
1
n
Eficiencia.
Para dos estimadores insesgados f y g de θ, se dice que f es más eficiente que g si
t iVar [ f ]
〈 1
t 2Var [g ] ,
donde t1 y t2 representan los tiempos de cálculo de f y g respectivamente.
Es obvio que t1 < t2 !
Ahora,
Var [g ] − Var [ f ] = θ (1 − θ ) − ∫ ( f ( x ) − θ ) dx
1 11 2
n n0
(x )dx + θ
1 2
= θ (1 − θ ) − ∫ f
1 1 2
n n0 n
1 1
f ( x )dx − ∫ f (x )dx
1 1
= ∫
2
n0 n0
11
f ( x )(1 − f ( x ))dx 〉 0.
n ∫0
=
Lo que demuestra que f es más 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 producción,
la cola de almacenamiento, entre otros.
Se puede definir el conjunto de estados del sistema de la siguiente manera:
{X k }∞k =1 X k (r ) = {0,1,2,..., n} , estados,
donde:
Xk = i el proceso está en el estado i en el tiempo k.
Se puede definir la probabilidad Pij como la probabilidad de que el sistema evolucione del estado i
al estado j. Esto se denota así:
Pij = P[X k +1 = j. X k = i ] = P[ X k +1 = j. X k −1 = i k −1 ,..., x 0 = i 0 ]
∀i 0 , i1 ,..., i k −1 , i, j, k
Las Pij pueden disponerse en un arreglo matricial que recibe el nombre de matriz de
probabilidades de transición P, la cual determina el comportamiento del sistema.
Pij(m ) = ∑P
i1 ,..., i k −1
i , i1 ...i k −1 j
P = P P...P
m
*1 *1 *1
*2 *2 *2
. .
. . *.i
. . .
.
*n *n *n
Figura 11.4. Cadenas de Markov discretas finitas.
Ejemplos:
a. El estado de una máquina puede describirse por una Cadena de Markov:
0 - Está mala 1 - Esperando 2 - Funcionando
X k (r ) = {0,1,2} al final del día k.
⎡ p00 p01 p02 ⎤

P = ⎢ p10 p11 p12 ⎥
⎢ ⎥
⎢⎣ p 20 p 21 p22 ⎥⎦
b. Estado del tiempo:

X k (r ) = {0,1,} 0 - Llueve 1 - No llueve
⎡α 1 − α ⎤
P=⎢ ⎥
⎣β 1 − β ⎦
c. Un jugador gana $1 con probabilidad p y pierde $1 con probabilidad q=1-p. El juego termina
después de la quiebra o cuando el jugador gana $m.
X k (r ) = {0,1,2,.., n}
0, 1, 2,.., m-1, m
⎡1 0 0 . . . 0 0⎤
⎢q 0 p . . . 0 0⎥⎥
⎢
⎢. . . . . . . .⎥
Pi1i +1 = p P=⎢ ⎥
⎢. . . . . . . .⎥
Pi1i −1 = q ⎢. . . . . . . .⎥
⎢ ⎥
P00 = Pnn = 0 ⎣⎢0 0 0 . . . 0 1⎦⎥
Estados de la Cadena (Clasificación)
i ↔ i comunican
i → absorbente
Clases de estado (se comunican entre sí): Transitorios y Recurrentes.
Ejemplo:
En el ejemplo 3.
{0}, {m} clases recurrentes.

{1, 2, ..., m-1} clase transitoria.
11.6 MÉTODO DE MONTECARLO PARA RESOLVER SISTEMAS DE ECUACIONES

LINEALES.
f = ( f 1 ,..., f n )
Dado el sistema de ecuaciones lineales B x = f, con x = ( x1 ,..., x n ) ,
' '
, y B n× n .
Si I–A=B
X = Ax + f
n
max i ∑a
j =1
ij c
Si
( k +1) (0 )
x = A xk + f x =0 A =I
0
Entonces ,
( )
k
x ( k 1) = I + A + ... + A f = ∑ A f
k m
m=0
lim x (k +1) = (I − A) f = B
−1 −1
B ≠0 f =x
Si k →∞
La solución; x.
La coordenada j de x(k+1), es
n n1n n1n 2 ...n

( k +1)
xj = f j + ∑ a ji1 f i1 + ∑ a ji1 a i1i2 f i2 + ... + ∑a ji1i2 a i2i3 ...a ik −1ik f ik
i1 i1i2 i1i2 ...ik
Ahora i 0 → i1 → ... → i k puede ser el camino de una Cadena de Markov con probabilidad de
transición Pij que se definirá más adelante. Además, Pi son las probabilidades iniciales.
Definimos
a i0i1 a i1i2 ...a im −1im

wm =
p i0i1 p i1i2 ... p im −1im
a im −1im
w m = w m −1
p im −1im , w0 = 1
Además, definimos la variable aleatoria
hi 0 k
η k (h ) = ∑w m f im
p i0 m =0
asociada con el camino muestral i 0 → i1 → ... → i k que ocurre con probabilidad p i0 p i0 i1 ... p ik −1ik ,
donde h = (h1,...,hn) y hi0=1, cuando el camino comienza en i0.
Observe que:
E [η k (h )]
= ∑ η (h ) p
i0 i1 ...ik
k i0 p i0i1 ... p ik −1ik
k
hi 0 a i0i1 ...a im −1im
= ∑ ∑p f im p i0 p i0i1 ... p ik −1ik
i0 i1 ...ik m = 0 i 0 p i0 i1 ... p i m −1im
k
=∑ ∑h i0 a i0i1 ...a im −1im f im p im im +1 ... p ik −1ik
m = 0 i0 i1 ...ik
La cadena de Markov se define así: S={1, 2, ..., n} con probabilidad de transición pij tal que:
∑p ij =1
j =1 y pij ≥ 0
y pij ≥ 0 si aij ≠ 0 i, j = 1, ..., n.
La distribución inicial es tal que:
∑p i =1
i =1 pi ≥ 0
Procedimiento de cómputo.
• Se escoge el número de saltos k para la cadena.

(s ) (s ) (s )
• Se simulan N caminos independientes i 0 → i1 → ...i k , s=1, ..., n de la cadena definida
arriba.
hi 0 k
η k(s ) (h ) = (s ) ∑ w( ) f m
s
im
i i0 m =0
• Se encuentra s=1,...n.
(s ) (s )
ai i ...ai
wm( s ) = 0 1 m −1i m
pi i ... pi( s ) i
(s )
0 1 m −1 m
∑ η ( ) (h )
1
θk = k
s
• Se calcula N s =1
Para calcular cada coordenada separadamente, xj , por ejemplo:
a ji1 a i1i2 ...a im −1im

wm =
p ji1 p i1i2 ... p im −1im
e j ' = ( 0 ,0 ,...,1,0 ,...,0 )
k
η k (e j ) = ∑ wm f i m
1 424 3
m =0 j
θ k (e j ) = ∑ η ( ) (e ) ≈ x (
N
1 s k +1)
k j j
y N j =1
11.7 OPTIMIZACIÓN MONTECARLO
Considérese el siguiente problema de optimización:

( )
max g ( x ) = g x * = g *
X ∈D ⊂ R n
g función acotada que toma valores en un conjunto acotado D c Rn.
Se asume que g toma su valor máximo en un punto único x*.
• Cuando g es convexa y diferenciable y/o es convexa el problema tiene solución por métodos
de P.M.
• De lo contrario, se pueden aplicar métodos numéricos, en particular aquellos de Monte Carlo.
11.7.1 Algoritmo del gradiente.
X* se puede aproximar paso a paso:
x i +1 = x i + d i ∇g ( x i ) , di > 0
⎧ δg ( x i ) δg ( x n ) ⎫
∇g ( x ) = ⎨ ,..., ⎬
donde, ⎩ δx i δx n ⎭
si g no es diferenciable o no se conoce su forma analítica en cada punto, entonces se aplica el

método de Montecarlo.
11.7.2 Algoritmo del gradiente finito diferencial:
ˆ g (x )
x i +1 = x i + δ i ∇ i , δi > 0
ˆ g ( x ) = ⎧⎨δg ( x i ) ,..., δg ( x n ) ⎫⎬
∇
donde, ⎩ δx i δx n ⎭
ˆ g ( x ) = ⎧⎨
(
g ( x1 + β 1 , x 2 ,..., x n ) − g x1 − β 11 , x 2 ,...x n) g ( x1 ,..., x n + β n ) − g ( x1 ,..., x n − β n ) ⎫
∇ ,..., ⎬
⎩ 2β 1 2β n ⎭
bajo condiciones suaves para g y δi, el algoritmo converge a un mínimo local x*. No obstante,
cuando g ó D no son convexos, los métodos clásicos fallan u se puede aplicar el método de
Monte Carlo.
11.7.3 Algoritmo búsqueda aleatoria con doble prueba
δi
x i +1 = x i + [g (x i + β i Ξ i ) − g (x i − β i Ξ i )]Ξ i
2β i δi > 0, βi > 0.
Ξi es el vector aleatorio continuo distribuido en la esfera unitaria de dimensión n.
El algoritmo:
• En el paso i se genera Ξ i
• Se calculan x i + βΞ i y x i − βΞ i
• Se toma la dirección computada (± Ξ i ) .
Cuando Ξ i toma la dirección del gradiente, el procedimiento coincide con el algoritmo anterior.
11.7.4 Algoritmo búsqueda aleatoria táctica no-lineal.
δi
x i +1 = x i + Yi
β i , si en Yi Ξ i , δi > 0, βi > 0.
Donde,
Yi = g ( x i + β i Ξ i ) − g ( x i )
⎧1si.Yi > 0
Yi = ⎨
si en ⎩0.si.Yi ≤ 0
es decir, solo se toma el paso de prueba en la dirección Ξ i , si Yi > 0.
11.7.5 Algoritmo búsqueda aleatoria táctica lineal.
En el caso anterior se avanza en la dirección Ξ i el número de pasos indicados hasta que Yi+k ≤ 0.
11.7.6 Algoritmo búsqueda aleatoria prueba óptima.
{x i + β i Ξ ik , k = 1,2,...N }
Yi* = max{Yik = g ( x i + βΞ ik ) − g ( x i ), k = 1,2,..., n}
δi *
x i +1 = x i + Yi Ξ i*
βi δi > 0, βi > 0.
Luego xi+1 se toma en la dirección Ξ i del mayor incremento Yi* de la función g(x).
11.7.7 Métodos de optimización global.

Se basan en el algoritmo de Evtushenko que asume:
Las funciones satisfacen la condición de Lipscitz: g ( x1 ) − g ( x 2 ) < L x1 − x 2 , para cualquiera

x1 , x 2 ∈ D , L > 0 .
Cualquier x ∈ D E
{ ( )
D E = x : g (x ) − g x * < E }, se acepta como aproximación de x . *
• Algoritmo 1:
1. Evaluar g en N puntos equidistantes x1, x2, ..., xN ∈ D y definir Yk = g ( x k ), k = 1,2,..., N .

2. Estimar g* por MN=max{Y1,...,YN}.
• Algoritmo 2:
1. Generar X01, X02, ..., X0N de fx0(x)>0, x ∈ D (usualmente uniforme).

2. Considere X01, X02, ..., X0N como puntos iniciales. Aplique luego cualquier algoritmo de
optimización local N veces y encuentre valores extremos locales x1*, ..., xN* asociados con
X01,..., X0N .
3. Estime x*=max{x1*,…,xN*}.
11.8 EJERCICIOS
- Construya un programa para el calculo de π - utilice el método de Bufón y la aguja. Puede

lograra a través de un número grande pruebas una aproximación menor a 0.0001?
11.9 BIBLIOGRAFÍA GENERAL DE SIMULACIÓN Y LOS MÉTODOS DE MONTE CARLO.
Libros:
• CLARK, J. & COLE, S. Global simulation models. Wiley. 1975.

• GORDON, G. Simulación de sistemas. Diana. 1980.
• HAMMERSLE,Y J. and HANDSCOMB, D. Monte Carlo methods. Methven & Co, London.
1967.
• JONES, G.T. Simulation and business decisions. Penguin. 1972.
• MITRANI, I. Simulation techniques for discrete event simulation. Cambridge University Press.
1982.
• NAYLOR, T. y otros. Técnicas de simulación 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 tráfico. Editorial Gedisa. Colección Límites
de la Ciencia. ISBN: 84-7432-834-9. 2001.

Dinámica PDF

Încărcat de

Informații document

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

Dinámica PDF

Încărcat de

Drepturi de autor:

Formate disponibile

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

Figura 9.1. Efecto decisiones-acciones-sistema......................................................................... 6

OTROS MÉTODOS DE SIMULACIÓN

En la primera parte de este libro se estudió en detalle la simulación de eventos discretos. En la

Inicialmente se establecen elementos de su evolución histórica, posteriormente se introducen

La literatura de Dinámica de Sistemas es extensa y el lector interesado puede consultar, para

9.1 ELEMENTOS HISTÓRICOS

Posteriormente, los elementos fundamentales de la disciplina son generalizados por el mismo

Es entonces a partir de la década de los setentas que la Dinámica de Sistemas se extiende a

Buena parte de la historia y evolución inicial de la Dinámica de Sistemas se encuentra asociada

En el diseño de políticas y, en general, en la planificación, se requieren instrumentos que permitan

Los modelos de la Dinámica de Sistemas contribuyen de manera importante al estudio de

Figura 9.1. Efecto decisiones-acciones-sistema.

El proceso de toma de decisiones es de especial interés para la Dinámica de Sistemas. La Figura

Componente 1 Componente 2 Componente n

Figura 9.3. Flujo do material y flujo de información (Línea punteada) en el sistema

3.2.1 Elementos que afectan los ciclos de realimentación

Los ciclos de realimentación generados dentro del proceso: Sistema-información-decisión-acción-

3.2.2 Elementos de los modelos.

Componentes. Los componentes contienen los diferentes procesos productivos y de toma de

Retardos. Como ya se ha mencionado, los retardos son producidos por demoras en la

3.2.3 Agregación o desagregación de variables.

Por ejemplo, en el caso de simulaciones de consumo de energía eléctrica por parte de la

9.3 ELEMENTOS DE CONSTRUCCIÓN EN LOS MODELOS DS

Los modelos de DS tienen 2 formas clásicas de visualización: Diagramas Causales y Diagramas

9.3.1 Diagramas Causales

Las relaciones de causalidad permiten representaciones de gran utilidad para la Dinámica de

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

- Las relaciones causa-efecto como producto de la correlacionalidad entre variables. Es

La Figura 9.4 ilustra la forma cómo se representa un diagrama de causalidad simple. Su

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

9.3.2 Diagramas de Niveles y Flujos

Los Diagramas de Niveles y Flujos, llamados también diagramas de Influencia o Diagramas de

Los diagramas de niveles y flujos emplean algunos símbolos de la hidrodinámica y la teoría de

Nivel Fuente o Sumidero

Tasa de Flujo Variable Auxiliar

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

Las relaciones funcionales multivariadas aparecen, como más adelante se muestra

9.4 EJEMPLOS DE DIAGRAMAS CAUSALES Y DIAGRAMAS DE NIVELES Y FLUJO

A continuación se presentan algunos ejemplos que muestran el proceso de construcción de

El mismo modelo, presentado en el formato de los diagramas de niveles y flujos se muestra en la

Figura 9.9. Relación demanda-construcción de viviendas

Además, la demanda de viviendas es generada por relaciones existentes entre el crecimiento

Figura 9.10. Modelo simple de dinámica urbana

En la Figura 9.11 se muestra el diagrama de influencia correspondiente al modelo simple de

9.4.3 Modelo de inventarios

Figura 9.12. Modelo simple de dinámica de inventarios.

En la Figura 9.13 aparece el diagrama de influencia correspondiente al modelo simple de

9.5 DS: INTERACCIÓN ENTRE EL COMPORTAMIENTO Y LA ESTRUCTURA DEL

En los ejemplos de crecimiento poblacional y el interés compuesto se puede apreciar el diagrama

Comportamiento del Nivel Ecuaciones del Modelo

Diagrama Causal Diagrama de Niveles y Flujo

Comportamiento del Nivel Ecuaciones del Modelo

Balance o búsqueda de metas

Diagrama Causal Diagrama de Niveles y Flujo

Comportamiento del Nivel Ecuaciones del Modelo

Figura 9.16. Ciclo de realimentación de balance con búsqueda de metas, control de la

Diagrama Causal Diagrama de Niveles y Flujo

Comportamiento del Nivel Ecuaciones del Modelo

Crecimiento en forma Sigmoidal

100 Ecuaciones del Modelo

Figura 9.18. Arquetipo “límite al crecimiento”, comportamiento de crecimiento en forma de S.

9.6 ECUACIONES DEL MODELO