Documente Academic
Documente Profesional
Documente Cultură
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
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.
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.
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.
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.
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.
Información del
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.
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.
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.
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).
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.
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.
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.
- 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.
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.
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.
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).
Parametro
Flujo de Materiales
Flujo de Información
Función o Tabla
Retardo
R3
Tabla
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.
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.
Emigración
-
+ +
+ Población - Muertes
Nacimientos
+ -
+
Inmigración
Figura 9.7. Evolución poblacional incluyendo efecto migratorio
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
+
Emigración
+
+
+ Población - Muertes
Nacimientos
+ -
+ +
Inmigración
+
Viviendas
+ Construidas
-
Demanda de Construcción de
Viviendas Viviendas
+
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.
Cantidad
- Almacenada
+
- Arribo de
Solicitud a -
Mercancia
Proveedores
+
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.
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.
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
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
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.
Temperatura
+
del agua
Temperatura
Flujo de agua B Flujo_de_agua_caliente
caliente
+ -
Discrepancia
Discrepancia
+
Temperatura
Temperatura_deseada
deseada
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
Figura 9.17. Ciclo de realimentación de balance con búsqueda de metas y retardo, control de la
temperatura del agua con oscilaciones.
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
Diagrama Causal Diagrama de Niveles y Flujo
+
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
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
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.
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
Ecuaciones de Nivel
Establecen el contenido de los niveles del sistema en el instante K, como en el caso
TCONS.KL = (TETA1)*(VIVC.K)
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
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.
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)
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:
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)
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)
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.
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.
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.
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.
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.
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.
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.
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.
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
FN
FM
Presa
NacimientosP MuertesP
b
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.
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.
-
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
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.
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.
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
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 ($)
Vacas
40
Novillas
20
0
0 20 40 60 80 0 20 40 60 80
Meses Meses
(a)
60
15 000 000
50
40 10 000 000
Pesos ($)
Vacas
30
Novillas
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.
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
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.
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.
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.
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
Población Población
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
Población Población
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.
Clark R. (1988). System dynamics and modeling. Operations Research Society of America.
Coyle R.G. (1977). Management System Dynamics. John Wiley & Sons.
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.
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
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.
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).
10.1 INTRODUCCIÓN
• 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.
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
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:
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:
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.
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.
• 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.
• 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 …
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.
• 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.
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+…..
El problema del “Bar El Farol” puede extenderse a los estudios de mercados, como por ejemplo:
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.
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 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.
Las siguientes secciones presentan una descripción de dos de los software más representativos:
Netlogo y Swaps.
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.
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
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.
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
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.
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.
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.
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.
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.
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.
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.
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
NCORTE = 0
DO I = 1,N
SI
D ≤ Y1+Y2
SI NCORTE = NCORTE + 1
Y2 ≥ Y1
CONTINUE
PRO = NCORTE/N
PI = (2*L)/PRO*D
PI, PRO
FIN
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
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
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 .
∑ f (n , n ,...n n )
1
T= i 1 2
N i =1
[]
Var t =
1
N
Var [ f (n1 , n 2 ,..., n n )].
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.
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
m−n ⎡ m 2 2 ⎛ m ⎞ ⎤
2
Para m ≈ 105 vale la pena el método. En este caso N ≈ 103 produce desviaciones aceptables.
Donde:
g(x): función continua en [a,b]
a,b son valores límites de la función a integrar
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
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 )
⎡ 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.
1
θ = ∫ f (x )dx
0
Entonces,
1
E [ f i ] = E [ f (Ri )] = ∫ f (r ).1dr = θ
0
Además,
1 n
f = ∑ fi
n i =1
[] σ2
1
Var [ f i ] = ∫ ( f (r ) − θ ) dr =
1 1
Var f =
2
n n0 n
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
s
f ±k
n
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 ,
[]
Var g = θ (1 − θ )
1
n
Eficiencia.
t iVar [ f ]
〈 1
t 2Var [g ] ,
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
=
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:
donde:
Se puede definir la probabilidad Pij como la probabilidad de que el sistema evolucione del estado i
al estado j. Esto se denota así:
∀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
Ejemplos:
⎡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⎦⎥
i ↔ i comunican
i → absorbente
Ejemplo:
En el ejemplo 3.
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
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
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
∑p i =1
i =1 pi ≥ 0
Procedimiento de cómputo.
pi i ... pi( s ) i
(s )
0 1 m −1 m
∑ η ( ) (h )
1
θk = k
s
• Se calcula N s =1
θ k (e j ) = ∑ η ( ) (e ) ≈ x (
N
1 s k +1)
k j j
y N j =1
• Cuando g es convexa y diferenciable y/o es convexa el problema tiene solución por métodos
de P.M.
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 ⎭
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.
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.
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
En el caso anterior se avanza en la dirección Ξ i el número de pasos indicados hasta que Yi+k ≤ 0.
{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).
Cualquier x ∈ D E
{ ( )
D E = x : g (x ) − g x * < E }, se acepta como aproximación de x . *
• Algoritmo 1:
• Algoritmo 2:
11.8 EJERCICIOS
Libros: