Академический Документы
Профессиональный Документы
Культура Документы
METODOLOGÍA DEL
MATERIALES DE
APRENDIZAJE
TRABAJO
(TEXTO UNIVERSITARIO)
SIMULACIÓN
VISIÓN
Ser una de las 10 mejores universidades
privadas del Perú al año 2020, reconocidos
por nuestra excelencia académica y
vocación de servicio, líderes en formación
integral, con perspectiva global;
promoviendo la competitividad del país.
MISIÓN
Somos una universidad privada innovadora y
comprometida con el desarrollo del Perú, que se
dedica a formar personas competentes, integras y
emprendedoras, con visión internacional, para que
se conviertan en ciudadanos responsables e
impulsen el desarrollo de sus comunidades,
impartiendo experiencias de aprendizaje
vivificantes e inspiradores; y generando una alta
valoración mutua entre todos los grupos de interés
Cada nuevo sistema lo modifica y crea en él nuevas necesidades. El sistema para poder
subsistir debe adaptarse a los cambios. Uno de los objetivos de la simulación es realizar
ensayos de cambios en el sistema probándolos en el modelo , con el fin de elegir la
mejor alternativa, y así enfrentar mejor a una realidad que varía día a día.
Pág.
LECTURA N° 1: INTRODUCCION A LOS SISTEMAS Y MODELOS.
I. PRESENTACIÓN
SISTEMAS Y MODELOS
Las partes de un sistema deben estar todas presentes para que el sistema
realice su propósito de manera óptima. Si se retiran u omiten componentes sin
afectar su funcionamiento y sus relaciones, entonces se tiene solamente una
colección de componentes y no un sistema. Por ejemplo, si quitamos los
limones de un canasto lleno de cítricos, tendremos menos cítricos, pero no ha
habido cambio en la naturaleza de la colección de los componentes (Cítricos).
Por tanto, este no se trata de un sistema. De manera similar, si a esta
colección agregamos otros cítricos (digamos mandarinas) sin alterar su
funcionalidad o relación, seguimos teniendo una canasta de cítricos. Pero si
agregáramos manzanas, entonces tendríamos algo más que cítricos en la
canasta lo cual ha hecho que cambie la naturaleza del canasto, ya no es más
una colección de cítricos.
Las partes de un sistema se deben arreglar de una manera específica para que
el sistema realice su propósito. Si los componentes de una colección pueden
combinarse de manera aleatoria, entonces no forman parte de un sistema. Por
ejemplo, en un tazón de frutas, las naranjas pueden ir en el fondo, en el
centro, o en la tapa sin cambiar la naturaleza esencial de la colección de fruta.
1. Cada parte del sistema aporta al logro del propósito del mismo.
2. Las partes del sistema están organizadas para cumplir el propósito del
sistema (cada parte interactúa por lo menos con otra).
3. Los sistemas presentan ciclos de retroalimentación entre sus elementos y
el sistema que lo contiene.
Componentes de un sistema
Los elementos que componen un sistema pueden ser objetos físicos que
pueden tocarse o bien pueden ser intangibles.
Ejemplos:
1. Fronteras del sistema: Son los límites del sistema bajo estudio. Es
la línea que separa al sistema de su entorno (o suprasistema) y que
define lo que pertenece y lo que queda fuera de él.
Tipos de sistemas
Por su comportamiento:
Sistema abierto es aquel que acepta entradas del medio ambiente y puede
entregar salidas en él, es decir, es altamente dependiente del medio ambiente.
Sistema cerrado es aquél que es totalmente independiente del medio
ambiente.
NIVELES DE ENTENDIMIENTO.
Eventos
Patrones
Los patrones nos permiten entender la realidad a un nivel más profundo. Los
patrones son tendencias o cambios en los eventos sobre el tiempo. Siempre
que se tenga un patrón de eventos, se está cerca de descubrir la estructura
sistémica que genera ese patrón. La ventaja del pensamiento en el nivel de
patrón, en comparación con el nivel de eventos es que el detectar un patrón
ayuda a colocar el evento más reciente en el contexto de otros eventos
similares. El foco de atención es por tanto es, sacar el evento específico, y
concentrarnos en explorar cómo la serie de eventos están relacionados y
empezar a pensar en qué los causaron. Por último, se puede anticipar
acontecimientos y cambiar en última instancia un patrón. Una vez más, se
requiere cambiar de nivel de pensamiento a un pensamiento a nivel
estructura.
Estructuras
Pensar con una visión “ampliada” (“big picture”). Implica ser capaz de dar un
paso atrás del acontecimiento y mirarlo con una visión más ampliada, más
grande. Cualquier problema en el que puedas pensar en este momento es
parte de un sistema mayor. Por tanto, para descubrir el origen de un problema,
se debe ampliar o expandir el área de visión para incluir el sistema mayor. Con
esta nueva perspectiva, tenemos una mayor oportunidad de encontrar una
solución más efectiva.
Balancear las perspectivas a corto plazo y a largo plazo. El pensamiento
sistémico muestra que los comportamientos que condice al éxito en el corto
plazo afectar el éxito de acciones a largo plazo. Al pensar en cualquier decisión,
el mejor enfoque es lograr un equilibrio razonable, considerar opciones a corto
plazo y a largo plazo y buscar la línea de acción que abarque ambos. La clave
es el estar conscientes de todos los impactos potenciales de cualquier
estrategia que se elija.
Reconocer la naturaleza dinámica, compleja e interdependiente de los
sistemas. Si vemos al mundo de manera sistémica, vemos que todos es
dinámico, complejo, e interdependiente.
Considerar factores cuantitativos y cualitativos. El pensamiento de sistemas
fomenta el uso de datos cuantitativos y cualitativos. Ninguno de los dos es
mejor; ambos son importantes y complementarios.
Recordar que somos parte de los sistemas en el cual funcionamos y que cada
uno influimos en aquellos sistemas incluso mientras somos influenciados por
ellos. Uno de los principios más retadores del pensamiento sistémico es que
usualmente nosotros mismos contribuimos a nuestros propios problemas.
Cuando observador con una visión ampliada de las cosas, en el largo plazo, a
menudo podemos ver que hemos jugado un papel en los problemas que
enfrentamos actualmente.
Consecuencias involuntarias. La conexión es simple: el problema nos acosa hoy
como una consecuencia involuntaria de una solución que se realizó ayer.
Suposiciones. En ocasiones, nuestras suposiciones son las que nos meten en
problemas.
Valores y creencias. El tener ciertos valores y creencias pueden bloquear la
manera en que tomamos decisiones.
II. CONSIGNAS
a. Un sistema abierto.
b. Un sistema cerrado.
c. Un sistema estático.
d. Un sistema dinámico.
e. Un sistema modificable.
I. CONSIGNAS
4.- La siguiente gráfica representa una excursión en autobús de un grupo de estudiantes, reflejando el
tiempo ( en horas ) y la distancia al instituto ( en km ):
6.- Construye una gráfica que represente lo mejor posible las siguientes situaciones:
Mercedes: Comenzó con mucha velocidad y luego fue cada vez más despacio.
Carlos: Empezó lentamente y fue aumentado gradualmente su velocidad.
Lourdes: Empezó lentamente, luego aumentó mucho su velocidad y después fue frenando poco a
poco.
Victoria: Mantuvo un ritmo constante.
1. Garbanzos
2. Algodón
3. Plomo
16. Dependiendo del día de la semana, Rosa va al instituto de una forma distinta:
El lunes va en bicicleta.
El martes, con su madre en el coche (parando a recoger a su amigo Luis).
El miércoles, en autobús (que hace varias paradas).
El jueves va andando.
Y el viernes, en motocicleta.
a) Identifica a qué día de la semana le corresponde cada gráfica:
b) ¿Qué día tarda menos en llegar? ¿Cuál tarda más?
c) ¿Qué día recorre más distancia? Razona tu respuesta.
18. Construye una gráfica correspondiente al caudal de agua de un río durante un año, sabiendo que:
En enero, el caudal era de 40 hm3 y fue aumentando hasta el mes de abril cuyo caudal era de 60 hm3. En
abril el río tenía el máximo caudal del año. A partir de este momento, el caudal fue disminuyendo hasta
que, en agosto, alcanzó su mínimo, 10 hm3. Desde ese momento hasta finales de año, el caudal fue
aumentando. En diciembre, el caudal era, aproximadamente, el mismo que cuando comenzó el año.
20. Construye una gráfica que corresponda a la audiencia de una determinada cadena de televisión durante
un día, sabiendo que:
A las 0 horas había, aproximadamente, 0,5 millones de espectadores. Este número se mantuvo
prácticamente igual hasta las 6 de la mañana. A las 7 de la mañana alcanzó la cifra de 1,5 millones
de espectadores. La audiencia descendió de nuevo hasta que, a las 13 horas, había 1 millón de
espectadores. Fue aumentando hasta las 21 horas, momento en el que alcanzó el máximo: 6,5
millones de espectadores. A partir de ese momento, la audiencia fue descendiendo hasta las 0
horas, que vuelve a haber, aproximadamente, 0,5 millones de espectadores.
Este sistema de población es un modelo simple, de una sola planta con una
tasa de eclosión constante y una tasa de mortalidad dependiente de la
densidad.
II. CONSIGNAS
Area
Catastrofe
Densidad Fraccion de
muertes
Tasa de
Pinguinos Tasa de
eclosion
muertes
Fraccion de
Parasitos
eclosiones
Pinguinos = 800.
Esta población representa el número de pingüinos en la población. Aumenta
con la eclosión y disminuye con las muertes. UNIDADES: pingüinos
Tasa_de_eclosion = Pinguinos*Fraccion_de_eclosiones
Catastrofe = PULSE(400,5,0)
Este flujo se utilizó para explorar los efectos de una caída repentina en la
población. UNIDADES: pingüinos / año
Parasitos = 20
Tasa_de_muertes = Pinguinos*Fraccion_de_Muertes
Area = 10
Densidad = Pinguinos/Area
Fraccion_de_eclosiones = .2
IV. RESULTADOS
CASO N° 4: CONTROL DE TEMPERATURA DE UNA CASA.
El calor en la casa se afectado por el entorno externo, así como por los
sistemas de calefacción y refrigeración. La transferencia de calor desde el
medio ambiente depende de la diferencia de temperatura entre la casa y el
medio ambiente. Los sistemas de calefacción y refrigeración ya sea dentro o
fuera dependen de la temperatura de la casa medida y sus respectivos
ajustes.
INIT Calor_en_el_hogar = 0
Calor__transferido__al_ambiente = (Temperatura__Exterior-
Temperatura_del_hogar) *Conductividad_Termica
Ajustes_del__Acondicionador = 80
Ajustes_del__calentador = 70
Razon_de__Temperatura__a_calentar = 10000
Retraso_en__la_medición = .2
Temperatura_del_hogar = (Calor_en_el_hogar/
Razon_de_Temperatura_a_calentar) + 75
Temperatura_medida_en_el_hogar = SMTH1(Temperatura_del_hogar,
Retraso_en__la_medición)
Temperatura_Exterior = 50
FUNCIONES USADAS.
Regularmente cada año, de manera alter nada, las pistas del aeropuerto de la
Ciudad de México son sujetas a labores de mantenimiento, en consecuencia
durante esos días el aeropuer to da servicio con una sola pista. Esta situación
origina que la capacidad del aeropuerto disminuya en aproximadamente nueve
operaciones por hora, con respecto a su capacidad normal.
En particular para este experimento se asume que todas las aerolíneas que
operan aeronaves ATR-42, en el AICM, dec iden cambiar este tipo de
aeronave, por otras del tipo ATR-72. Se consi dera que la capacidad de las
aeronaves actuales (ATR-42) es de 42 pasajeros, mientras que la de las
nuevas aeronaves a utilizar (ATR-72) es de 74 pasajeros . Por ello, el número
de operaciones, requeridas para mover a un mismo número de pasajeros con
las aeronaves ATR-72, es un 43.25% menor que las operaciones realizadas
con las aeronaves ATR- 42. Inicialmente se realizaron veinte corridas de
simulación con el modelo original; es decir, antes del cambio de aeronaves.
En esta condición, se observa un valor promedio de 94.4 operaciones de
aeronaves ATR-42. Sin embargo, las aeronaves ATR-72, para transportar el
mismo número de pasajeros, sólo requieren realizar en promedio 53.5
operaciones. Pa ra incorporar esta condición, se debe modificar el modelo de
simulación AICM1, aument ando los valores exponenciales de los tiempos
promedio entre llegadas y salidas (de las aeronaves ATR-42), de tal forma que
en promedio se produzca un número de operaciones igual a la señalada antes.
Con estos nuevos valores en el modelo de simulación modificado, se realizaron
veinte corridas. Al comparar los valores promedio de los resultados antes y
después del cambio de aeronaves, se observó que el principal benef icio del
cambio del equipo aéreo, se manifiesta en una reducción de los tam años
promedio de las colas de espera, puesto que se reducen en un 21.1%; ta
mbién se observa una reducción importante en los tiempos promedio de es
pera, tanto para t odas las aeronaves (reducción del 17.2%), como para las
aer onaves que hacen cola (disminución del 13.2%). Puesto que se realizan
menos operaciones aéreas, la utilización de las pistas disminuye un 5.1%, el
tamaño má ximo de cola disminuye un 4.7% y el menor efecto benéfico se
observa en un ligero aumento, del 3.75%, de las aeronaves que no tienen que
hacer cola para ser atendidas en las pistas..
II. CONSIGNAS
Avionetas
Avionetas aterrizando
aterrizadas de viajes
por minuto cortos
Aviones
aterrizados
por minuto
Avionetas__esperando_aterrizar(t) =
Avionetas__esperando_aterrizar(t - dt) +
(avionetas_ingresando_al_espacio_aereo - Avionetas__aterrizando -
Avionetas_aterrizando__de_viajes_cortos) * dt
Aviones__esperando_aterrizar = 0
Aviones__ingresando_al_espacio_aereo =
POISSON(Aviones_aterrizados__por_minuto)/DT
Avionetas__esperando_aterrizar = 0
avionetas_ingresando_al_espacio_aereo =
POISSON(avionetas_aterrizadas__por_minuto)/DT
Naves_en__viajes_cortos = 0
TRANSIT TIME = 1
INFLOW LIMIT = 1
CAPACITY = 1
Avionetas__aterrizando = QUEUE OUTFLOW
Naves_en__viajes_largos = 0
TRANSIT TIME = 1
INFLOW LIMIT = 1
CAPACITY = 1
Aviones__aterrizando = QUEUE OUTFLOW
avionetas_aterrizadas__por_minuto = 1
IV. RESULTADOS
CASO N° 6: MODELO DE UN CALL CENTER.
Estas personas que hacen llamadas o atienden llamadas son los Agentes del
Call Center. Para estas empresas en concreto es muy importante conocer
datos de la calidad y la cantidad de llamadas efectuadas o atendidas, la razón
es muy sencilla, el principal negocio de estas empresas se centra en la
realización y recepción de llamadas con lo cual el control de la información que
hace referencia a las llamadas es de vital importancia para valorar el negocio y
beneficio de estas compañías.
II. CONSIGNAS
Representante de
Representantes servicio
disponibles
Personas_en_cola = 0
personas_llamando =
POISSON(llamadas_por_minuto_\_distribucion_de_poisson)
conectando_con__un_representante = Representantes__disponibles
Personas_hablando_con_representantes_del_servicio =
15,10,15,10,15
TRANSIT TIME =
tiempo_que_el_cliente_habla_con_servicio_técnico
Representantes_de_servicio = 100
llamadas_por_minuto_\_distribucion_de_poisson = 50
Representantes__disponibles = Representantes_de_servicio-
Personas_hablando_con_representantes_del_servicio
tiempo_en_cola =
Personas_en_cola/(conectando_con__un_representante+.00001)
tiempo_normal_de_atención = 5
tiempo_que_el_cliente_habla_con_servicio_técnico =
tiempo_normal_de_atención*impacto_del_tiempo_en_cola
IV. RESULTADOS
CASO N° 7: LA TRAGEDIA DE LOS COMUNES.
Es necesario tener presente que, tal como otros antes que él (por ejemplo:
Thomas Malthus y el mismo William Forster Lloyd), Hardin estaba
principalmente interesado en el problema de la sobrepoblación. Teniendo esto
en consideración se puede sugerir que el problema estaría quizás
ejemplificado más claramente si se concibiera, en lugar de un número dado de
pastores que incrementan su ganado, un incremento del número de pastores
—producto del crecimiento demográfico— todos ellos con los suficientes
animales como para mantener a sus familias.
El ejemplo puede ser entendido como una metáfora por el argumento que el
acceso libre e irrestricto a un recurso "comunal" finito conduce a la
sobreexplotación y el agotamiento —ya sea temporal o permanente— del
mismo. Sin embargo es necesario considerar la supuesta tragedia con algún
cuidado. Más que nada el ejemplo es una simplificación de relaciones
estructurales generales y las posibles consecuencias de tales relaciones, no
una descripción precisa o histórica (ver criticismo más abajo).
Entre esas interpretaciones una de las que ha tenido más influencia es la que
se puede llamar "interpretación misiana": “Si la tierra no es posesión de
alguien, a pesar de que formalmente se pueda llamar propiedad publica, es
utilizada sin consideración a las desventajas resultantes. Aquellos que están
en la posición de apropiarse asimismo de las ganancias —madera y caza de las
forestas, peces de las áreas de aguas y depósitos minerales del subsuelo— no
se preocupan de los efectos posteriores de su explotación.
II. CONSIGNAS
Administracion_de_pastizal = 0
Gastos_de_la_administracion = Administracion_de_pastizal
Costo_promedio_por_granjero(t) = Costo_promedio_por_granjero(t -
dt) + (Vacas_añadidas - Vacas_eliminadas) * dt
Costo_promedio_por_granjero = 1
Pastos_comunes_con_Impuestos(t) =
Pastos_comunes_con_Impuestos(t - dt) + (Crecimiento_de_grass -
Muerte_de_grass - Grass_consumido) * dt
Crecimiento_de_grass =
Tasa_de_regeneracion_de_grass*Pastos_comunes_con_Impuestos*(
Stock_del_orden-Pastos_comunes_con_Impuestos){acres/year}
Muerte_de_grass =
Pastos_comunes_con_Impuestos^2*Tasa_de_muerte_de_grass
Grass_consumido =
Costo_promedio_por_granjero*Granjeros*Grass_comido_por_vaca{a
cres/year}
Stock_del_orden = 100
Restauracion_del_orden =
0.1*Pastos_comunes_con_Impuestos*(Orden_maximo-
Stock_del_orden)
Agotamiento_del_orden = .2*(100-Pastos_comunes_con_Impuestos)
Total_de_ganancias_con_impuestos(t) =
Total_de_ganancias_con_impuestos(t - dt) + (Dinero_ganado -
Pago_de_impuestos) * dt
Total_de_ganancias_con_impuestos = 0
Ganancia_por_vaca = 18
Granjeros = 10 {farmers}
Grass_comido_por_vaca = 0.1
Orden_maximo = 100
Tasa_de_muerte_de_grass = 0.0005
Tasa_de_regeneracion_de_grass =
0.02*(1+conversor_de_dinero_a_regeneracion)
Programacion_de_impuestos =
GRAPH(Costo_promedio_por_granjero)
(0.00, 7.00), (10.0, 5.50), (20.0, 6.50), (30.0, 11.0), (40.0, 22.0),
(50.0, 40.5), (60.0, 57.5), (70.0, 74.5), (80.0, 78.5), (90.0, 79.5),
(100, 80.5)
Units Time.
IV. RESULTADOS
CASO N° 8: MODELO DE DEPREDADOR - PRESA.
Se ha utilizado las siguientes funciones gráficas para definir las dependencias entre la cantidad de
presas muertas por depredador y la fracción de muerte de depredadores en función de la
densidad de las presas.
Figura 2: (Predator Death Fraction) La fracción de muertes de los depredadores varía con la
densidad de las presas. Cuando no hay presas, los depredadores mueren muy rápidamente. A
medida que aumenta la densidad de presas, el número de depredadores que mueren de hambre
disminuye hasta los niveles fracción de muerte de 0,0725.
Este gráfico muestra que la fracción de muertes de depredadores varía ampliamente con la
densidad de presas. Cuando el número de presas en el área es pequeño, los depredadores no
pueden ser muy numerosos y su tasa de supervivencia cae. Cuando no hay presas en absoluto, los
depredadores mueren dos veces más rápido, ya que también hay nacimientos. A medida que la
densidad de las presas aumenta, la fracción de muerte de los depredadores disminuye. Con el
tiempo, los depredadores llegan a un punto en que ya no están en riesgo de morir de hambre,
sino por otros factores. Esto está representado por la nivelación de la gráfica fracción de muerte
de depredadores cuando la densidad de presas es alta.
Figura 3: Presas muertas por depredador. Cuando no hay presas, los depredadores no cazan
ninguna. A medida que aumenta la densidad de presas, también lo hace el número de capturas por
depredador hasta que los depredadores están satisfechos a razón de 500 presas por año.
Este gráfico muestra que las presas muertas por depredador varían con la densidad de las presas.
Naturalmente, cuando no hay presas, la densidad es de 0 y las presas muertas por depredador
también es 0. Cuando la densidad de las presas comienza a subir, presas muertas por depredador
sube rápidamente y luego se estabiliza. Esta nivelación representa el punto en el que los
depredadores están saciados y no quieren comer más presas sin importar cuán abundantes son.
1. Se debe notar que la población de presas disminuye más rápido cuando la población de
depredadores es más alta y aumenta al máximo cuando la población de depredadores es menor.
2. Ambas poblaciones en el modelo oscilaron con un período de 14 años. Ambas especies deben
oscilar con el mismo período, ya que son interdependientes. El comportamiento de las presas
depende directamente de los depredadores y vice-versa.
Figura 4: Representación gráfica del comportamiento del sistema presa-depredador. Este gráfico
muestra la respuesta del sistema de presas -depredadores. El período es de aproximadamente 14
años. Observe cómo la población de depredadores va a la zaga de la población de presas. (Tenga
en cuenta que las escalas de las dos poblaciones son diferentes.)
3. En el modelo, el sistema se vuelve inestable si la población de presas está por encima de 580
000. Ambas poblaciones se incrementarían exponencialmente sin límite. Comenzar con una gran
población de presas significaba que los depredadores cazaran presas dentro de sus posibilidades,
pero esto fue insuficiente dada la enorme tasa de natalidad de las presas. Debido a que la fracción
de nacimientos de las presa es más grande que la fracción de nacimientos de depredadores, los
depredadores nunca pueden igualar esto. En la vida real esto no sucede. Otros factores limitantes
como la comida y el agua restringen la población de presas hasta que los depredadores las
puedan cazar.
4. Se usa la siguiente función para matar a la mitad de los depredadores en el año 15:
Figura 5: Representación
gráfica del
comportamiento del
sistema depredador-presa.
En esta corrida, la mitad
de la población de
depredadores fue eliminada en el año 15. Justo después del shock, la población de presa se elevó
rápidamente. Sin embargo, los siguientes ciclos tendrán una amplitud mucho mayor que antes el
shock. Eventualmente, el sistema vuelve al comportamiento de oscilación original.
II. CONSIGNAS
Poblacion
presas
Nacimiento Muerte
presas presas
Fraccion nacimiento
presas
Presas muertas
Densidad presas por depredador
area
Poblacion
depredadores
Fracion
Muerte Nacimiento nacimiento
depredadores depredadores depredadores
Fraccion muertes
depredador
.
Figura 1: Un modelo de sistema depredador / presa. Dos subsistemas población interactúan para
producir una oscilación. Las muertes de los depredadores y las presas muertas por depredador
varían con la densidad de presas. Tanto los depredadores y las fracciones de nacimiento de las
presas son constantes.
Predadores = 1250
nacimiento_predadores =
Predadores*fraccion_nacimiento_predadores
muerte_predadores = Predadores*fraccion__muertes__predadores +
PULSE(Predadores/2,15,1000)
Este es un proceso drenador. Alguna fracción de la población de predadores
morirá cada año. La función PULSE se utiliza para sacudir el sistema fuera de
su inicial estado de equilibrio. Unidades: predadores / año
Presas = 50000
nacimiento_presas = Presas*fraccion__nacimiento_presas
muerte_presas = Predadores*presas_muertas__por_predador
Cada depredador tiene una productividad dada por la presas muertas por
depredador. Unidades: Presas / año
area = 1000
densidad__presas = Presas/área
fraccion_nacimiento_predadores = .25
En promedio, cada predador generará 0.25 crías por año. Unidades: 1/años
fraccion__nacimiento_presas = 1.25
Se asume que cada presa en el ecosistema puede producir 1.25 crías (en
promedio) por año. Unidades: 1/años
IV. RESULTADOS
CASO N° 9: MODELO DE DEPREDADOR–PRESA: LIEBRES Y
LINCES.
De esta manera, los datos de casi cien años nos muestran un par de curvas
muy interesantes en las que ambas poblaciones oscilan rítmicamente en una
especie de "danza" en la que los aumentos de población de las liebres vienen
seguidos de aumento de los linces, hasta que la superpoblación de linces
termina por hacer bajar la población de liebres, lo que provocan un descenso
de linces que permite crecer de nuevo las liebres y vuelta a empezar...
INFLOWS:
CrecLiebres = Liebres*TasaCrecLiebres
OUTFLOWS:
DismLiebres = Liebres*TasaMuertLiebres*Linces
INIT Linces = 30
INFLOWS:
CrecLinces = Linces*TasaCrecLinces*Liebres
OUTFLOWS:
DismLinces = Linces*TasaMuertLinces
TasaCrecLiebres = 0.04
TasaCrecLinces = .00024
TasaMuertLiebres = .0005
TasaMuertLinces = .15
IV. RESULTADOS
CASO N° 10: MODELO DEPREDADOR –PRESA: LOBOS Y OVEJAS.
Existe una población de presas, por ejemplo unas ovejas, las cuales están
dispersas en una región geográfica; pero también en esa misma región existe
un conjunto menor de depredadores, por ejemplo unos lobos. Como el lobo es
un depredador natural de la oveja sentirá la necesidad de comer para
satisfacer su hambre, entonces comienza la “carrera” entre estas dos especies
por sobrevivir. Obviamente, existen muchos factores que intervienen en este
proceso biológico, pero a resumidas cuentas es posible modelarlo desde el
punto de vista matemático, tal y como lo hicieron Alfred Lotka y Vito Volterra
quienes formularon un par de ecuaciones diferenciales que capturan la esencia
de dos especies en un modelo presa-depredador.
El sistema de Lotka-Volterra sentó las bases para generar más modelos que
pudieran predecir otros fenómenos ajenos a los de presa-depredador, como
por ejemplo las reacciones químicas. A continuación se muestran las dos
ecuaciones diferenciales que ellos propusieron.
𝑑𝑥
= 𝑥(𝛼 − 𝛽𝑦)
𝑑𝑡
𝑑𝑦
= −𝑦(𝛾 − 𝛿𝑥)
𝑑𝑡
II. CONSIGNAS
INIT Lobos = 30
INFLOWS:
CrecLobos = Lobos*TasaCrecLobos*Ovejas*RatioDepredacion
OUTFLOWS:
DismLobos = Lobos*TasaMuertLobos
INFLOWS:
CrecOvejas = Ovejas*TasaCrecOvejas
OUTFLOWS:
DismOvejas = Ovejas*TasaMuertOvejas*Lobos*RatioDepredacion
RatioDepredacion = 0.003
TasaCrecLobos = .8
TasaCrecOvejas = 0.04
TasaMuertLobos = .15
TasaMuertOvejas = .25
IV. RESULTADOS
CASO N° 11: MODELO DEPREDADOR –PRESA: DINAMICA DE TRES
POBLACIONES.
El Principio de Volterra
II. CONSIGNAS
INIT Grass = 50
INFLOWS:
CrecGrass = Grass*TasaCrecGrass
OUTFLOWS:
DismGrass = Grass*Ovejas*TasaMuertGrass
INIT Lobos = 5
INFLOWS:
CrecLobos = Lobos*Ovejas*TasaCrecLobos
OUTFLOWS:
DismLobos = Lobos*TasaMuertLobos
INIT Ovejas = 10
INFLOWS:
CrecOvejas = Grass*Ovejas*TasaCrecOvejas
OUTFLOWS:
DismOvejas = Ovejas*TasaMuertOvejas*Lobos
TasaCrecGrass = 0.05
TasaCrecLobos = 0.0025
TasaCrecOvejas = 0.0025
TasaMuertGrass = 0.0025
TasaMuertLobos = 0.05
TasaMuertOvejas = 0.05
IV. RESULTADOS
CASO N° 12: MODELO DEL CICLO DE REGENERACIÓN DE LA
VEGETACIÓN.
DINÁMICA DE LA REFORESTACIÓN
II. CONSIGNAS
Tasa de Fraccion
crecimiento Factor de desplazada
de vegetación aglomeración por
hacinamiento
Crecimiento
Muerte por
vegetacion Vegetación
desplazamiento
Biomasa Incremento
maxima de la calidad
Incremento
unidad de suelos
biomasa
Calidad_Suelo = 0
crecimiento__suelo = ARRAYSUM(incremento__calidad_suelo[*])
Vegetacion[Etapa_Seral] = 0
crecimiento__vegetacion[Etapa_Seral] =
(biomasa__maxima[Etapa_Seral]-
Vegetacion[Etapa_Seral])*tasa_crecimiento__vegetacion[Etapa_Seral
]
muerte_por__desplazamiento[Etapa_Seral] =
Vegetacion[Etapa_Seral]*fraccion_desplazada_por_hacinamiento[Eta
pa_Seral]
factor__aglomeracion[Hierbas] =
Vegetacion[Pasto]+Vegetacion[Arbustos]+Vegetacion[Pinos]+
Vegetacion[Madera_dura]
factor__aglomeracion[Pasto] =
Vegetacion[Arbustos]+Vegetacion[Pinos]+Vegetacion[Madera_dura]
factor__aglomeracion[Arbustos] =
Vegetacion[Pinos]+Vegetacion[Madera_dura]
factor__aglomeracion[Pinos] = Vegetacion[Madera_dura]
factor__aglomeracion[Madera_dura] = 0*Vegetacion[Madera_dura]
fraccion_desplazada_por_hacinamiento[Hierbas] =
GRAPH(factor__aglomeracion[Hierbas]) (0.00, 0.00), (10.0, 0.195),
(20.0, 0.295), (30.0, 0.385), (40.0, 0.455), (50.0, 0.55), (60.0, 0.645),
(70.0, 0.74), (80.0, 0.825), (90.0, 0.92), (100, 1.00)
fraccion_desplazada_por_hacinamiento[Pasto] =
GRAPH(factor__aglomeracion[Pasto]) (0.00, 0.00), (10.0, 0.03),
(20.0, 0.055), (30.0, 0.095), (40.0, 0.12), (50.0, 0.185), (60.0, 0.305),
(70.0, 0.57), (80.0, 0.74), (90.0, 0.88), (100, 1.00)
fraccion_desplazada_por_hacinamiento[Arbustos] =
GRAPH(factor__aglomeracion[Arbustos]) (0.00, 0.00), (10.0, 0.035),
(20.0, 0.065), (30.0, 0.085), (40.0, 0.11), (50.0, 0.14), (60.0, 0.185),
(70.0, 0.21), (80.0, 0.235), (90.0, 0.57), (100, 1.00)
fraccion_desplazada_por_hacinamiento[Pinos] =
GRAPH(factor__aglomeracion[Pinos]) (0.00, 0.00), (10.0, 0.025),
(20.0, 0.03), (30.0, 0.04), (40.0, 0.045), (50.0, 0.05), (60.0, 0.05),
(70.0, 0.055), (80.0, 0.06), (90.0, 0.175), (100, 1.00)
fraccion_desplazada_por_hacinamiento[Madera_dura] =
GRAPH(factor__aglomeracion[Madera_dura]) (0.00, 0.00), (10.0,
0.035), (20.0, 0.08), (30.0, 0.14), (40.0, 0.195), (50.0, 0.285), (60.0,
0.4), (70.0, 0.57), (80.0, 0.74), (90.0, 0.88), (100, 1.00)
incremento__calidad_suelo[Etapa_Seral] =
Vegetacion[Etapa_Seral]*incremento__unidad_biomasa[Etapa_Seral]
incremento__unidad_biomasa[Hierbas] = GRAPH(Calidad_Suelo)
(0.00, 0.099), (10.0, 0.0875), (20.0, 0.07), (30.0, 0.0445), (40.0,
0.0165), (50.0, 0.0095), (60.0, 0.0065), (70.0, 0.0055), (80.0, 0.005),
(90.0, 0.003), (100, 0.00)
incremento__unidad_biomasa[Arbustos] = GRAPH(Calidad_Suelo)
(0.00, 0.0485), (10.0, 0.0415), (20.0, 0.0365), (30.0, 0.032), (40.0,
0.026), (50.0, 0.019), (60.0, 0.0145), (70.0, 0.009), (80.0, 0.005),
(90.0, 0.0025), (100, 0.00)
incremento__unidad_biomasa[Madera_dura] =
GRAPH(Calidad_Suelo) (0.00, 0.008), (10.0, 0.0075), (20.0, 0.007),
(30.0, 0.0065), (40.0, 0.0055), (50.0, 0.0035), (60.0, 0.0025), (70.0,
0.002), (80.0, 0.001), (90.0, 0.001), (100, 0.00)
tasa_crecimiento__vegetacion[Hierbas] =
GRAPH(factor__aglomeracion[Hierbas]) (0.00, 0.995), (10.0, 0.89),
(20.0, 0.605), (30.0, 0.39), (40.0, 0.135), (50.0, 0.03), (60.0, 0.015),
(70.0, 0.015), (80.0, 0.015), (90.0, 0.015), (100, 0.015)
tasa_crecimiento__vegetacion[Pasto] =
GRAPH(factor__aglomeracion[Pasto]) (0.00, 1.00), (10.0, 0.88),
(20.0, 0.67), (30.0, 0.415), (40.0, 0.155), (50.0, 0.03), (60.0, 0.015),
(70.0, 0.015), (80.0, 0.015), (90.0, 0.015), (100, 0.015)
tasa_crecimiento__vegetacion[Arbustos] =
GRAPH(factor__aglomeracion[Arbustos]) (0.00, 0.72), (10.0, 0.555),
(20.0, 0.355), (30.0, 0.225), (40.0, 0.115), (50.0, 0.03), (60.0, 0.015),
(70.0, 0.015), (80.0, 0.015), (90.0, 0.015), (100, 0.015)
tasa_crecimiento__vegetacion[Pinos] =
GRAPH(factor__aglomeracion[Pinos]) (0.00, 0.2), (10.0, 0.2), (20.0,
0.2), (30.0, 0.18), (40.0, 0.16), (50.0, 0.135), (60.0, 0.105), (70.0,
0.07), (80.0, 0.055), (90.0, 0.04), (100, 0.015)
tasa_crecimiento__vegetacion[Madera_dura] =
GRAPH(factor__aglomeracion[Madera_dura]) (0.00, 0.1), (10.0, 0.1),
(20.0, 0.1), (30.0, 0.1), (40.0, 0.1), (50.0, 0.1), (60.0, 0.1), (70.0,
0.1), (80.0, 0.1), (90.0, 0.1), (100, 0.1)
IV. RESULTADOS
CASO N° 13: CASCADAS TROFICAS.
Así los peces aumentan las existencias de plantas mediante el control de abajo
hacia arriba también. El aumento de la productividad primaria en los lagos
puede conducir a un aumento de la demanda biológica de oxígeno (DBO) y la
pérdida de especies en el ecosistema del lago.
II. CONSIGNAS
III. ECUACIONES DEL MODELO
Formacion_&_Disolucion_FePO4 =
Disponibilidad_estacional_de_P*Multiplicador*Switch_estacional_Red
ox {ugP/l/time}
Herbivoros_al_detrito =
P_en_herviboros*Tasa_de_herbivoros_al_detrito {P/time}
Plantas_al_detrito = P_en_plantas*Tasa_de_plantas_al_detrito
{ugP/l/time}
Peces_al_detrito =
P_en_peces*Tasa_de_peces_al_detrito*Switch_de_peces
{ugP/l/time}
Acumulacion_de_herbivoros =
.1*Switch_de_almacenamiento_herviboros {uP/l/time}
Herbivoros_al_detrito =
P_en_herviboros*Tasa_de_herbivoros_al_detrito {P/time}
Peces_al_detrito =
P_en_peces*Tasa_de_peces_al_detrito*Switch_de_peces
{ugP/l/time}
Plantas_al_detrito = P_en_plantas*Tasa_de_plantas_al_detrito
{ugP/l/time}
Consumo_de_herviboros = P_en_herviboros*
P_en_plantas*Tasa_de_consumo__de_herbivoros*
(P_en_plantas/(P_en_plantas+Concentracion_de__P_en_herbivoros)
) {ugP/l /time}
Formacion_&_Disolucion_FePO4 =
Disponibilidad_estacional_de_P*Multiplicador*Switch_estacional_Red
ox {ugP/l/time}
Concentracion_de_plantas = 2 {mol/m^2}
Concentracion_de_P_en_peces = .1{ugP/l}
Concentracion_de__P_en_herbivoros = 1{ugP/l}
Concentracion_P_en_plantas = 1 {ugP/l}
Disponibilidad_de_luz_estacional = 40+20*sin(2*pi*(TIME-3.8)/12)
Limitacion_de_luz = (Disponibilidad_de_luz_estacional /
(Disponibilidad_de_luz_estacional+Concentracion_de_plantas))*
Switch_luz_estacional {dimensionless}
Multiplicador = 10 {dimensionless}
Switch_de_almacenamiento_herviboros = 0
Switch_de_peces = 0
Switch_estacional_Redox = 0
Switch_luz_estacional = 0
Tasa_de_asimilacion = .044{1/time/(P/l)}
Tasa_de_consumo__de_herbivoros = 0.18{1/time/(P/l)}
Tasa_de_herbivoros_al_detrito = .76{1/time}
Tasa_de_mineralizacion = 0.8{1/time}
Tasa_de_peces_al_detrito = 1 {1/time}
Tasa_de_plantas_al_detrito = 1.11{1/time}
Tasa_de_predacion = 5{1/time/(P/l)}
IV. RESULTADOS
CASO N° 14: LOS MODELOS DE SIMULACIÓN EN LA
ADMINISTRACIÓN.
Para la última década del siglo xx, las empresas de consultoría desarrollaron
un mercado para la alta dirección, la industria del software que facilitan la
toma de decisiones con modelos complejos que manipulan las variables de una
organización, para pronosticar con una herramienta útil y predictiva que
permite anticiparse a la competencia, de tal forma desarrollan procedimientos
que fomentan la innovación6 en la toma de decisiones, pero sobre todo en los
procesos de producción como una alternativa sustentable en la administración
de las empresas.
Ventaja Competitiva
Seguridad
Estrategia
II. CONSIGNAS
Ello nos indica, por otro lado, que los fenómenos que se analizan utilizando
esta herramienta conceptual deben examinarse con cuidado, considerando a
su vez lo que se pierde y lo que se obtiene en dicho proceso.
La pregunta fundamental que se plantea dicho modelo tiene que ver con la
diversidad de los comportamientos individuales, es decir, cómo es que se
generan regularidades macroestructurales de la sociedad sustentadas en
realidades heterogéneas.12 De esta forma, el Sugarscape pretende modelizar
las características de los fenómenos sociales para posibilitar con ello un cierto
entendimiento de los resultados a que dan lugar. Para ello se requiere del uso
de técnicas computacionales avanzadas que permitan la manipulación de las
distintas variables a trabajar, obteniendo así un escenario aproximado al
sector de la realidad que se está analizando.
Así pues, los elementos indispensables y básicos del Surgarscape son los
siguientes:
Reglas. Son normas de comportamiento para los agentes y para los sitios del
entorno.
Entorno. Medio en el cual el agente opera e interactúa
Agentes. Son entendidos como la población de la sociedad artificial. Su
representación gráfica son puntos que se desplazan por el territorio del
Sugarscape. Tiene estados internos y reglas de comportamiento.
Muchos de estos estados internos pueden experimentar cambios en el proceso
de interacción con otros agentes, lo que incidirá en el comportamiento general
del sistema y los posibles resultados a que dé lugar la combinación de las
variables interactuantes.14 Por el contrario, otros estados internos se
mantienen en el agente sin sufrir modificaciones sustanciales, a pesar de los
procesos de interacción a los que se ven sometidos. Sin embargo, el hecho de
que no haya cambios en esos estados no significa que los atributos no puedan
modificar su distribución en la estructura resultante. Es en este cambio de
posición donde podemos predecir medianamente cierto aspecto del
comportamiento del sistema analizado.
Sin embargo, cada día son más los científicos sociales que consideran que el
instrumental teórico-metodológico proveniente de las ciencias duras puede ser
de gran ayuda para analizar problemáticas sociales complejas y de difícil
exploración. Es allí donde la simulación, y de manera particular, el modelo
Sugarscape, pueden representar una opción por demás interesante para el
analista social. Pensar lo contrario sería negar la posibilidad de la
interdisciplinariedad y la transdisciplinariedad; hecho que por supuesto nadie
pone en tela de juicio hoy en día.
REFERENCIAS
9 Axtell R y Eptein J. Growing Artificial Societies: Science from the Bottom Up,
DC Brookings Institution Press (1996) 58-93.
12 Ibid.
13 Ibid.
14 Ibid.
15 Ibid.
16 San Miguel M. Redes complejas en la dinámica social. INGURUAK, Revista
Vasca de Sociología y Ciencia Política 17, año II, 5-26..
II. CONSIGNAS
Paso 10. Aplicacion de una línea perpendicular y tangente al plano del boceto.
Añadidura de un arco tangente ala primera línea.
Paso 11. Adición de una línea tangente al arco.
II. CONSIGNAS
III. RESULTADOS
Proyecto finalizado.
REFERENCIAS BIBLIOGRÁFICAS, ENLACES Y DIRECCIONES
ELECTRONICAS
BASICA
COMPLEMENTARIA