Material Estudiante Simulacion 2017

Calidad que se acredita internacionalmente
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
Material publicado con fines de estudio

Quinta edición
Huancayo, 2017
PRESENTACIÓN
En el mundo actual, tanto en el área de los negocios, como en la industria y el

gobierno, los proyectos en gran escala y de gran complejidad son la regla y no la
excepción.
Estos proyectos complejos requieren estudios previos a su construcción o modificación,

denominados estudios pilotos. Tales estudios pilotos se realizan utilizando la técnica
llamada modelización, es decir, construcción de modelos donde se realiza el estudio con
el fin de obtener conclusiones aplicables al sistema real. Construido el modelo, el
proceso de ensayar en él una alternativa se llama simular .
El conjunto de alternativas que se definen para su ensayo constituye la estrategia de la

simulación . Los objetivos del proyecto definen cuál es el sistema y cuál el medio
ambiente que lo rodea. El sistema procura satisfacer las necesidades cambiantes de ese
medio ambiente en el que está insertado.
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.
En esta breve introducción se destacan tres conceptos fundamentales, que constituyen

el eje de esta publicación y sobre los cuales se da el curso de simulación de sistemas.
Guillermo Elías Jaramillo Cabrera.

INDICE.
PRESENTACIÓN................................................................................................................................... 3
LECTURA N° 1: INTRODUCCION A LOS SISTEMAS Y MODELOS. ......................................................... 5
CASO N° 2: INTERPRETACIÓN DE GRÁFICAS. ................................................................................... 13
CASO N° 3: MODELO SIMPLE DE UNA POBLACIÓN. ......................................................................... 19
CASO N° 4: CONTROL DE TEMPERATURA DE UNA CASA. ................................................................ 25
CASO N° 5: CAPACIDAD DE ARRIBO DE UN AEROPUERTO. .............................................................. 31
CASO N° 6: MODELO DE UN CALL CENTER. ...................................................................................... 37
CASO N° 7: LA TRAGEDIA DE LOS COMUNES. .................................................................................. 42
CASO N° 8: MODELO DE DEPREDADOR - PRESA. ............................................................................. 48
CASO N° 9: MODELO DE DEPREDADOR–PRESA: LIEBRES Y LINCES.................................................. 54
CASO N° 10: MODELO DEPREDADOR –PRESA: LOBOS Y OVEJAS. .................................................... 57
CASO N° 11: MODELO DEPREDADOR –PRESA: DINAMICA DE TRES POBLACIONES......................... 60
CASO N° 12: MODELO DEL CICLO DE REGENERACIÓN DE LA VEGETACIÓN. ................................... 65
CASO N° 13: CASCADAS TROFICAS. .................................................................................................. 72
CASO N° 14: LOS MODELOS DE SIMULACIÓN EN LA ADMINISTRACIÓN.......................................... 80
CASO N° 15: LOS MODELOS DE SIMULACIÓN. SUS APORTES A LAS CIENCIAS SOCIALES. ............... 84
CASO N° 16: SIMULACION EN ELECTRICIDAD Y ELECTRÓNICA. ....................................................... 94
CASO N° 17: SIMULACIÓN .EN INGENIERÍA INDUSTRIAL Y MECÁNICA............................................ 98
REFERENCIAS BIBLIOGRÁFICAS, ENLACES Y DIRECCIONES ELECTRONICAS................................... 108
Pág.
LECTURA N° 1: INTRODUCCION A LOS SISTEMAS Y MODELOS.
Sección : …………………………..………………………... Apellidos : ……………………………..………………………….

Docente : Guillermo Jaramillo Cabrera. Nombres : …………………………………..…………………….
1 Fecha : …../..…/2016
Duración : Indicar el tiempo
INSTRUCCIONES: Lea atentamente los casos o lecturas presentadas. Según sea l

caso, conteste las preguntas, realice las actividades planteadas o implemente el
modelo en el software de simulación. Al finalizar espere las instrucciones del docente.
I. PRESENTACIÓN
SISTEMAS Y MODELOS
Un sistema es un grupo de componentes que interactúan, interrelacionados o

interdependientes que forman un todo complejo e unificado. (Ejemplos: Una
organización, el cuerpo humano, etc.)
Un sistema, es un conjunto de dos o más elementos interrelacionados de

cualquier especie que buscan un objetivo en común. Podemos pensar en los
sistemas como un conjunto de nodos fijados en una red gigante en la cual
todo está conectado. También se puede diferenciar entre los sistemas
naturales y los sistemas hecho-por-el hombre (human-made systems), los
sistemas no-vivientes (nonliving systems).
Dentro de los sistemas naturales tenemos el cuerpo de un ser viviente, las

sociedades humanas, un ecosistema; los cuales tienen un gran número y
complejidad de componentes e interacciones entre esos componentes.
También tienen un número infinito de conexiones a todos los sistemas
alrededor de ellos. Dentro de los sistemas hecho-por-el hombre tenemos los
carros, los cuales también pueden ser bastantes complejos, pero estos
sistemas no-vivientes no están ligados tan profundamente con los sistemas
que los rodean. Los sistemas no-vivientes hecho-por-el hombre son más
autónomos que los sistemas naturales, de los cuales podemos pensar que son
más abiertos en sus conexiones con los sistemas circundantes.
Ejemplos: Si un coche se descompone, el impacto de este evento no va más

allá de arreglarlo. No sucede lo mismo a si una especie fuera quitada de un
ecosistema de la pradera.
Características esenciales de los sistemas
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.
Los sistemas tienen propósitos específicos dentro de un sistema mayor. Todos

los sistemas tienen un propósito específico en relación al sistema mayor en el
cual están inmersos. No se puede forzar a que dos o más sistemas estén
juntos para obtener un nuevo sistema más grande. Tampoco se puede
subdividir un sistema y tener automáticamente dos sistemas más pequeños
con funcionamiento similares. “Si divides un elefante por la mitad, no se
obtienen dos elefantes más pequeños. Y si juntas dos elefantes pequeños, no
se obtiene un elefante más grande.”
Los sistemas mantienen su estabilidad por medio de fluctuaciones y ajustes.

Los sistemas buscan mantener su estabilidad. Por ejemplo: una organización
hace lo mejor para mantener el margen de utilidad designado. La mayoría de
los cuerpos humanos trabajan para mantener una temperatura de cerca de los
36 grados de Celsius.
Los sistemas tienen realimentación (retroalimentación). Un sistema posee

realimentación en sí mismo. La característica más importante de la
regeneración es que proporciona el catalizador para un cambio en el
comportamiento. - a regeneración es la transmisión y retorno de información.
Pero como todos los sistemas son parte de un sistemas mayor, un sistema
también tiene realimentaciones en entre sí mismo y los sistemas externos. En
algunos sistemas, la realimentación y los ajustes de procesos suceden tan
rápidamente que es relativamente fácil que un observador los siga. En otros
sistemas, puede tomar un tiempo muy largo antes de que la realimentación se
obtenga.
Como puntos adicionales a las características ya mencionadas podemos

mencionar las siguientes:
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:
 Componentes tangibles: Las partes que componen un automóvil (Puertas,

llantas, cofre, motor, asientos, etc.).
 Componentes intangibles como: procesos; relaciones personales; políticas de la
empresa; flujos de información; interacciones interpersonales; y estados
internos de la mente tales como sensaciones, sentimientos, valores, y
creencias.
Los sistemas tienen dos componentes principales:
a. De acuerdo a su nivel jerárquico, se pueden identificar a los elementos que

constituyen un sistema en dos niveles:
1. Subsistemas: Son los elementos que pertenecen a un sistema
mayor, el cuál tiene las condiciones de un sistema en sí mismo pero que
tiene un papel en la estructura y comportamiento del sistema mayor. La
subdivisión del sistema puede ser hecha desde diferentes puntos de
vista y a diferentes niveles de detalle.
2. Suprasistema: El término se aplica a las entidades de las cuales
forma parte el sistema que se está estudiando. Es posible identificar uno
o varios suprasistemas en base al contexto del sistema bajo estudio.
b. De acuerdo a sus límites:
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
Los sistemas podemos clasificarlos de acuerdo a:
Por su comportamiento:
 Un sistema abierto, es un sistema en continuo intercambio de materia, energía

e información con su medio. Es vital el conocer al medio que lo rodea.
 Un sistema cerrado no tiene relaciones con su medio (No existen sistemas
completamente cerrados).
Por su cambio a través del tiempo:

 Un sistema dinámico, es el que muestra cambios en su estructura o en las
relaciones entre sus elementos a través del tiempo.
 Un sistema estático es aquel cuya estructura y relaciones entre sus elementos
pueden considerarse permanentes a través del tiempo.
Por el grado de interdependencia que tengan:
 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.
Por la influencia de la salida en la entrada del sistema:
 Un sistema abierto está caracterizado por salidas que responden a las

entradas; pero donde las salidas están aisladas y no tienen influencia en las
entradas.
 Un sistema cerrado está influenciado por su propio comportamiento pasado
(también llamado sistema de retroalimentación). Un sistema cerrado tiene una
estructura de ciclo cerrado que trae resultados de acciones pasadas al sistema
para controlar futuras acciones.
NIVELES DE ENTENDIMIENTO.
Los sistemas se construyen en base a estructuras que dejan evidencia de su

presencia. Resulta difícil describir el concepto de estructura, en los términos
simples, la estructura es la manera sobre la cual los componentes del sistema
están interrelacionados –esto es, la organización de un sistema. La estructura
es invisible, pero está definida por las interrelaciones de las partes de un
sistema y no las partes en sí mismas.
La importancia de entender la estructura de un sistema radica en que es la

estructura de un sistema quien explica todos los eventos y tendencias que
podemos observar que suceden en el mundo que nos rodea.
Eventos
Solo se puede reaccionar a un evento nuevo en lugar de anticiparlo y darle

forma. Lo que es más, las soluciones diseñadas en un nivel de evento tienden
a ser de breve duración. Y lo que es más importante, no hacen nada para
modificar la estructura fundamental que originó ese evento. El siguiente nivel
implica el movernos de un pensamiento de nivel de eventos a un pensamiento
de nivel de patrones.
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
Es aquí donde está el poder del pensamiento a nivel de estructuras: las

acciones que se toman a este nivel son creativas, porque ayudan a dar forma
a un futuro diferente, el futuro que se desea. Esto no quiere decir que las
acciones de apalancamiento pueden encontrarse solamente en el nivel de
estructura. El apalancamiento es un concepto relativo, no un absoluto. Nuestra
capacidad de influenciar en el futuro aumenta cuando nos movemos del nivel
de eventos al nivel de patrones al nivel de pensamiento de estructuras, pero
en ocasiones la mejor acción que podemos hacer es el concentrarnos en el
presente, en el nivel de eventos. Pero, si hiciéramos solamente eso, las
acciones serían consideradas de un apalancamiento bajo para la perspectiva
del largo plazo. El arte de pensar en el nivel de una estructura sistémica viene
con el conocimiento de cuándo es mejor tratar un problema en el nivel de
evento, patrón o estructura, y cuándo utilizar una combinación de los tres.
CONCEPTOS BÁSICOS DEL PENSAMIENTO SISTÉMICO.
El pensamiento sistémico ofrece una serie de herramientas y un marco de

referencia para ver las cosas de una manera sistémica. Por otra parte, puede
también verse como un lenguaje que ofrece una forma para comunicar las
complejidades dinámicas y sus interdependencias.
Principios del pensamiento sistémico
En general, el pensamiento de los sistemas es caracterizado por estos

principios:
 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.
El pensamiento sistémico como un lenguaje especial
El pensamiento sistémico ofrece una manera diferente de comunicación sobre

la manera en que vemos al mundo y de trabajar juntos de una manera más
productiva al entender y solucionar problemas complejos. Visto como un
lenguaje, el pensamiento sistémico tiene características únicas que lo hacen
ser una herramienta de valor para tratar temáticas de sistemas complejos:
 Se enfatiza el observar los “todos” en lugar de las partes y enfatiza el papel de

las interconexiones. Lo más importante, es que se reconoce que somos parte
de un sistema en el cuál funcionamos y por eso, contribuimos en el
comportamiento de esos sistemas.
 Es un lenguaje circular más que lineal. Se centra en las “interdependencias
cerradas”, donde x influye en y, y influye a z, y z regresa e influye a x.
 Tiene un conjunto de reglas precisas que reduce la ambigüedad y los malos
entendidos que pueden surgir cuando se habla de situaciones complejas.
 Ofrece herramientas visuales, como diagramas causales y gráficas de
comportamiento sobre el tiempo. Estos diagramas son ricos para mostrar
implicaciones y consecuencias, permitiendo un mejor entendimiento. Hacen
énfasis en la dinámica del problema y no en las culpas individuales.
 Abre una ventana nueva en nuestros esquemas mentales, traduciendo nuestras
percepciones individuales a imágenes explícitas que pueden dejar ver
diferencias significativas en puntos de vista ligeramente distintos..
.
II. CONSIGNAS
Responda el siguiente cuestionario:

1. NO es un ejemplo de sistema:
a. Una organización.
b. El cuerpo humano.
c. Una ecuación lineal.
d. Un banco financiero.
e. Una computadora.
2. Si nos referimos a un sistema como un número infinito de conexiones

entre él y otros sistemas estamos definiendo a:
a. Sistemas de actividad humana

b. Sistemas naturales.
c. Sistemas hechos por el hombre.
d. Sistemas sociales
e. Sistemas automáticos.
3. Regeneración es lo mismo que:
a. Transmisión y retorno de información.

b. Reformulación de la realimentación.
c. Especificación de información.
d. Retorno de información.
e. Transmisión de información.
4. Si afirmamos que al dividir un ser vivo en dos pedazos no obtenemos

dos seres vivos de igual característica que el primero, nos referimos a la
característica:
a. Los sistemas mantienen su estabilidad.

b. Los sistemas tienen propósitos específicos.
c. Los sistemas tienen realimentación.
d. Las partes deben estar presente.
e. Las partes se deben arreglar de manera específica.
5. Son componentes tangibles de los sistemas como: ____________ e

intangibles como: __________
a. Procesos, flujos de información.

b. Flujos de información, Teclas.
c. Relaciones personales, partes.
d. Pantallas, estados internos.
e. Valores y creencias.
6. Si un sistema va modificando sus características respecto del tiempo,

entonces decimos que es:
a. Un sistema abierto.
b. Un sistema cerrado.
c. Un sistema estático.
d. Un sistema dinámico.
e. Un sistema modificable.
7. Si nos referimos a sacar un evento específico y concentrarnos en

explorar cómo la serie de eventos están relacionados.
a. Al foco de atención de un patrón.

b. A un evento específico.
c. A una relación de atenciones.
d. Al foco de relación de patrones.
e. Al evento de atención focal.
8. Si nos movemos del nivel de eventos al nivel de pensamiento de

estructuras:
a. Aumenta nuestra visión sistémica de la interrelación del

problema.
b. Aumenta nuestra capacidad de influenciar el futuro.
c. Aumenta la posibilidad de apalancamiento.
d. Aumenta la capacidad de apalancamiento.
e. Aumenta la perspectiva de largo plazo.
9. Los valores y creencias influyen en el pensamiento sistémico:
a. Refuerzan los aspectos éticos del análisis.

b. Importan modos y formas de ver el problema.
c. Pueden bloquear la toma de decisiones.
d. Tienden a formar suposiciones erróneas.
e. Enfatizan el modo de análisis holístico.
10. Si decimos que: Al abrir una ventana nueva a nuestros esquemas

mentales, traduciendo nuestras percepciones individuales a imágenes
explícitas, nos referimos a:
a. Al modelamiento de sistemas como fuente de análisis de

modelos.
b. Al pensamiento de sistemas como fuente de análisis de modelos.
c. Al pensamiento de sistemas como un lenguaje especial.
d. Al modelamiento de sistemas como un lenguaje especial.
e. Al aporte de modelamiento de sistemas dentro del pensamiento
sistémico.
CASO N° 2: INTERPRETACIÓN DE GRÁFICAS.

1 Fecha : …../..…/2016

I. CONSIGNAS
RESOLUCION E INTERPRETACIÓN DE GRAFICAS
1.- La siguiente gráfica describe la variación del ruido de una moto:
a) ¿Cuánto tiempo ha durado el ruido de la moto? ¿Cuál ha sido la intensidad máxima?

b) ¿Había ruido antes de llegar la moto? ¿Qué intensidad de ruido se oye al acabar de pasar la moto?
c) ¿Cuál es la intensidad del ruido a los 5 segundos?
d) ¿En qué momento o momentos, la intensidad del ruido es de 90 decibelios?
e) ¿Cuánto tiempo dura el ruido máximo?
2.- La siguiente gráfica representa la variación de la velocidad de un coche:
a) ¿Cuánto tiempo ha durado su viaje?

b) ¿Qué velocidad llevaba el coche a las dos horas de viaje?
c) ¿ Cuándo ha llevado el coche una velocidad de 60 km/h
d) ¿En qué tramos aumentó la velocidad? ¿Cuándo la disminuyó?
e) ¿Qué significado das a los tramos horizontales?
f) ¿Cuál es la velocidad máxima alcanzada? ¿Cuándo ha descansado? ¿Cuánto tiempo?
3.- En una casa había una temperatura de 10º a la una de la tarde. Hemos ido observando el
termómetro desde esa hora hasta las siete de la tarde y la temperatura ha ido cambiando de la forma
siguiente: durante las dos horas siguientes va subiendo hasta que alcanza la temperatura máxima (20°).
Después baja y entre las cuatro y las cinco se mantiene constante ( 18º ). Sigue bajando a partir de las
cinco y a las seis llega a ser de 15º. De nuevo empieza a subir y llega a los 18º cuanto son las siete.
Dibuja la gráfica correspondiente a la situación anterior
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 ):
a) ¿A cuántos km estaba el lugar que visitaron?

b) ¿Cuánto tiempo duró la visita al lugar?
c) ¿Hubo alguna parada a la ida? ¿Y a la vuelta?
d) ¿Cuánto duró la excursión completa?
5.- Se va a organizar una excursión y el precio por

persona va a depender del número de
excursionistas. El número máximo de plazas es de
60 y el mínimo, de 10. Se admiten solamente
grupos con un número de personas que resulte
múltiplo de 10. La siguiente gráfica muestra la
situación:
a) ¿ Qué significa tiene el punto ( 20 , 8 ) ¿ ¿ Y el ( 40 , 4 ) ¿
b) ¿Por qué hemos dibujado la gráfica sólo entre 10 y 60?
6.- Construye una gráfica que represente lo mejor posible las siguientes situaciones:
a) Altura de una pelota que bota, según pasa el tiempo

b) Coste de una llamada telefónica en función de su duración
c) Distancia a casa durante un paseo de ida y vuelta de 30’ de duración
d) Nivel del agua en una piscina vacía al llenarla
7. La siguiente gráfica representa una excursión en autobús de un

grupo de estudiantes, reflejando el tiempo (en horas) y la distancia al
instituto (en kilómetros):
a) ¿A cuántos kilómetros estaba el lugar que visitaron?

b) ¿Cuánto tiempo duró la visita al lugar?
c) ¿Hubo alguna parada a la ida? ¿Y a la vuelta?
d) ¿Cuánto duró la excursión completa (incluyendo el viaje de ida
y el de vuelta)?
8. La siguiente gráfica corresponde al recorrido que sigue Antonio

para ir desde su casa al trabajo:
a) ¿A qué distancia de su casa se encuentra su lugar de

trabajo? ¿Cuánto tarda en llegar?
b) Ha hecho una parada para recoger a su compañera de
trabajo, ¿durante cuánto tiempo ha estado esperando? ¿A
qué distancia de su casa vive su compañera?
c) ¿Qué velocidad ha llevado (en km/h) durante los 5 primeros
minutos de su recorrido?
9. El consumo de agua en un colegio viene dado por esta gráfica:

a) ¿Durante qué horas el consumo de agua es nulo? ¿Por qué?
b) ¿A qué horas se consume más agua? ¿Cómo puedes explicar esos
puntos?
c) ¿Qué horario tiene el colegio?
d) ¿Por qué en el eje X solo consideramos valores entre 0 y 24? ¿Qué
significado tiene?
10. Se sabe que la concentración en sangre de un cierto tipo de anestesia

viene dada por la gráfica siguiente:
a) ¿Cuál es la dosis inicial?
b) ¿Qué concentración hay, aproximadamente, al cabo de los 10
minutos? ¿Y al cabo de 1 hora?
c) ¿Cuál es la variable independiente? ¿Y la variable dependiente?
d) A medida que pasa el tiempo, la concentración en sangre de la
anestesia, ¿aumenta o disminuye?
11.Se va a organizar una excursión y el precio por persona va a
depender del número de personas que vayan a dicha excursión. El
número máximo de plazas es de 60, y el mínimo, 10, admitiendo
solamente grupos de 10 personas.
La siguiente gráfica nos muestra la situación:
a) ¿Qué significado tiene el punto (20, 8)? ¿Y el (40, 4)?

b) ¿Por qué hemos dibujado la gráfica solo entre 10 y 60?
¿Podríamos continuarla?
c) ¿Es una función continua o discontinua?
d) ¿Por qué no unimos los puntos?
12. Las siguientes gráficas

corresponden al ritmo
que han seguido cuatro
personas en un
determinado tramo de
una carrera. Asocia cada
persona con su gráfica:
 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.
13.Une cada materia con la

gráfica que relaciona su peso
con su volumen. Da una breve
explicación de por qué es así.
1. Garbanzos
2. Algodón
3. Plomo
14. Asocia cada enunciado con la

gráfica que le corresponde:
a) Altura de una pelota
que bota, al pasar el
tiempo.
b) Coste de una llamada
telefónica en función de su duración.
c) Distancia a casa durante un paseo de 30 minutos.
d) Nivel del agua en una piscina vacía al llenarla.
15. ¿Cuál es la gráfica que

corresponde a cada una de las
siguientes situaciones? Razona
tu respuesta.
a) Recorrido realizado por un autobús urbano.
b) Paseo en bicicleta por el parque, parando una vez a beber agua.
c) Distancia recorrida por un coche de carreras en un tramo de un circuito.
d) Un cartero repartiendo el correo.
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.
17. Construye una gráfica que se ajuste al siguiente enunciado:

 Esta mañana, Eva fue a visitar a su amiga Leticia y tardó 20 minutos en llegar a su casa, que se
encuentra a 800 metros de distancia. Estuvo allí durante media hora y regresó a su casa, tardando
en el camino de vuelta lo mismo que tardó en el de ida.
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.
19. Construye una gráfica que se ajuste al siguiente enunciado

 Expresa el tiempo en horas y la distancia en kilómetros. Esta mañana, Pablo salió a hacer una ruta
en bicicleta. Tardó media hora en llegar al primer punto de descanso, que se encontraba a 25 km
de su casa. Estuvo parado durante 30 minutos. Tardó 1 hora en recorrer los siguientes 10 km y
tardó otra hora en recorrer los 20 km que faltaban para llegar a su destino.
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.
21. Construye una gráfica que describa la siguiente situación:

 Esta mañana, Lorena salió de su casa a comprar el periódico, tardando 10 minutos en llegar al
quiosco, que está a 400 m de su casa. Allí estuvo durante 5 minutos y se encontró con su amiga
Elvira, a la que acompañó a su casa. La casa de Elvira está a 200 m del quiosco y tardaron 10
minutos en llegar. Estuvieron durante 15 minutos en la casa de Elvira y después Lorena regresó a
su casa sin detenerse, tardando 10 minutos en llegar. La casa de Elvira está a 600 m de la de Lorena
CASO N° 3: MODELO SIMPLE DE UNA POBLACIÓN.

1 Fecha : …../..…/2016

I. PRESENTACIÓN DEL CASO
Dinámica de una población de Pingüinos.
El propósito de la construcción de este modelo consiste en simular el

comportamiento de una población de seres vivos. Este ejemplo muestra la
dinámica de una población y por qué se produce este comportamiento. Se va
usar pingüinos para este propósito.
Las variables clave son: la densidad, la población y los agentes reguladores

externos. También la tasa de eclosión y la tasa de mortalidad. La población
debe concentrarse en un valor estándar. Se debe cambiar hacia arriba o hacia
abajo, dependiendo de lo que los acontecimientos externos afectan a la
población, pero cuando estos eventos finalizan, la población debe volver a los
valores normales.
El stock en el modelo es la población de pingüinos. Aumenta por el flujo de

tasa de eclosión y se reduce por el flujo de tasa de mortalidad. La eclosión es
igual al tamaño de la población del pingüino multiplicado por una tasa de
eclosión. La tasa de mortalidad es similar, definido por los tiempos de
población por una fracción de muertes. Para incluir los efectos reguladores de
densidad, la fracción de la muerte depende de la densidad. La tasa de eclosión
es constante.
Puesto que el propósito de este modelo no requiere mucha precisión en los

datos numéricos, no se investiga las características reproductivas de los
pingüinos. En su lugar, simplemente se elige una población inicial de 800
pingüinos en un área de 10 acres, con una tasa de eclosión es igual a 0,2 y la
fracción de muertes varia de 0.08 para una muy pequeña población hasta
0,294 para condiciones de hacinamiento. (El modelo de ecuaciones que siguen
contiene información más detallada)
Este modelo se centra en torno a un nivel que representa el total de la

población que se analiza, una población de pingüinos. El nivel de la población
se incrementa en la tasa de eclosión y se reduce por la tasa de mortalidad.
Para este modelo, hice la tasa de eclosión constante en 0.2. La tasa de
muertes depende de la densidad de la población. Los valores de los
parámetros en el sistema (área, tasa de eclosión, la población inicial, etc.) son
un tanto arbitrarios. Sus valores serán diferentes, pero deben tener una
estructura similar.
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.
Para representar a la dependencia de la fracción de muertes con la densidad,

he creado la función gráfica siguiente:
Figura 2: Función gráfica Tasa de mortalidad
En este gráfico se determina la dependencia de la fracción de la muerte con la

densidad. Cuando la densidad es muy baja, la fracción de la muerte es
constante a 0,08, inferior a la tasa de eclosión. A medida que aumenta la
densidad, la fracción de la muerte también aumenta.
El equilibrio se produce cuando la tasa de eclosión y la tasa de mortalidad son

iguales. En el modelo, esto ocurre cuando la población es igual a 800
pingüinos. La densidad en este punto fue de 80 pingüinos por hectárea, lo que
nos da una fracción de la muerte de 0,2 (ver Figura 2). Esto tiene sentido ya
que la tasa de eclosión es una constante en el 0,2.
Para simular una catástrofe, se usa la función PULSE en STELLA de la

siguiente manera:
Catástrofe = PULSE (400,5,0)

Esto causó una disminución en la población de 800 a 400 después de 5 años.
La densidad bajó a 40 pingüinos por acre, lo que la fracción de la muerte a
caer por debajo de la tasa de eclosión y la población aumentó lentamente de
vuelta a su valor de equilibrio de 800.
Figura 3: Gráfica de respuesta de la población a una catástrofe tiempo
Se ha añadido una salida constante parásitos y se puso a 20 pingüinos / año.

La población se redujo a un nuevo equilibrio en aproximadamente 700
pingüinos. Observe que el nuevo equilibrio se reduce significativamente por
una pérdida de sólo 20 pingüinos adicionales por año. La razón de esto es que
la población debe bajar a un nivel en el que la tasa de eclosión es más grande
que la tasa de muerte por 20 pingüinos por año. El nuevo equilibrio variará en
función de los parámetros en el modelo. Si tanto la eclosión y las fracciones de
mortalidad son altas, la caída será menos importante. También será menor si
la dependencia de la fracción de la muerte de la densidad es más pronunciada.
Figura 4: Gráfico de respuesta de la población a un flujo de salida constante.
II. CONSIGNAS
A partir del diagrama causal propuesto a continuación, utilizando las

ecuaciones proporcionadas, cree el modelo del sistema usando el software de
simulación.
Area
Catastrofe
Densidad Fraccion de
muertes
Tasa de
Pinguinos Tasa de
eclosion
muertes
Fraccion de
Parasitos
eclosiones
III. ECUACIONES DEL MODELO:
Pinguinos(t) = Pinguinos(t - dt) + (Tasa_de_eclosion - Catastrofe -

Parasitos - Tasa_de_muertes) * dt
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
Esta es la tasa de eclosión de la población. Se calcula multiplicando la

población por una fracción de eclosión. UNIDADES: pingüinos / año
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
Este flujo se utiliza para representar un flujo de salida constante de la

población.
Tasa_de_muertes = Pinguinos*Fraccion_de_Muertes
Esta es la tasa de mortalidad de la población. Se calcula multiplicando la

población por un fracción de la muerte. UNIDADES: pingüinos / año
Area = 10
Esta es el área total de la tierra ocupada por la población. UNIDADES: acres
Densidad = Pinguinos/Area
Esta es la densidad de población. Afecta a la fracción de la muerte de la

población. UNIDADES: pingüinos / acre
Fraccion_de_eclosiones = .2
Esta representa la fracción de la población que se reproduce cada año. Si la

escotilla fracción es 0,2, entonces la tasa de eclosión será 20% de la
población. UNIDADES: 1/years
Fraccion_de_Muertes = GRAPH(Densidad) (0.00, 0.08), (10.0, 0.08),

(20.0, 0.084), (30.0, 0.09), (40.0, 0.105), (50.0, 0.122), (60.0, 0.142),
(70.0, 0.171), (80.0, 0.2), (90.0, 0.235), (100, 0.294)
La fracción de la muerte es dependiente de la densidad de la población.

Cuanto mayor sea la densidad, cuanto mayor sea la fracción de la población
que muere cada año.UNIDADES: 1/years
IV. RESULTADOS
CASO N° 4: CONTROL DE TEMPERATURA DE UNA CASA.

1 Fecha : …../..…/2016

MODELO DE REGULACIÓN DE TEMPERATURA
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.
La medición en este modelo es la cantidad de calor en la casa. El calor se

utiliza para calcular la temperatura utilizando la relación dada.
𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 ? 𝐶𝑎𝑙𝑜𝑟 𝑒𝑛 𝑒𝑙 ℎ𝑜𝑔𝑎𝑟
Se usa siguiente expresión para definir la temperatura de la casa. Se supone

que el calor en la casa es igual a cero cuando la temperatura es de 75 grados
Fahrenheit (23.889º C).
𝐶𝑎𝑙𝑜𝑟 𝑒𝑛 𝑒𝑙 ℎ𝑜𝑔𝑎𝑟
𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑒𝑛 𝑒𝑙 ℎ𝑜𝑔𝑎𝑟 ? 𝑅𝑎𝑧ó𝑛 𝑑𝑒 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑎 𝑐𝑎𝑙𝑒𝑛𝑡𝑎𝑟
? 75
La temperatura de la casa se ve afectada por el calor transferido desde el

medio ambiente, y el sistema de calefacción.
El sistema de calefacción añade calor a la casa a una velocidad de 100 000

julios por hora cada vez que la temperatura medida en la casa es más baja
que la temperatura de configuración del calentador. Se usa la siguiente
relación para definir la energía transferida desde el entorno de la casa:
𝑇𝑟𝑎𝑛𝑠𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑒𝑛𝑒𝑟𝑔í𝑎 ? (𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝐸𝑥𝑡𝑒𝑟𝑛𝑎 ? 𝑇𝑒𝑛𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑑𝑒𝑙 ℎ𝑜𝑔𝑎𝑟)
Por lo tanto, la transferencia de calor desde el medio ambiente se define como

sigue:
( Temperatura fuera de la casa ? Temperatura del hogar) ? Conductividad térmica

La conductividad térmica es la capacidad de toda la casa para transferir calor
hacia y desde el medio ambiente. En efecto, cuanto más bajo sea el valor,
mejor aislamiento de la casa.
Si la temperatura exterior es menor que el ajuste del termostato, la

temperatura de la casa irá subiendo a través del calentador, en forma de
ciclos. El ciclo se produce debido a los retrasos que participan con la medición
y el cambio de la temperatura de la casa. Si la temperatura exterior es
superior a la temperatura del calentador, la casa se calienta gradualmente
hasta la temperatura exterior. La calefacción permanecerá en 0 porque la
temperatura medida de la casa, está por encima de la temperatura del
calentador.
El sistema de calefacción no será capaz de mantener la temperatura de la casa

si el calor está siendo retirado de la casa más rápido que el sistema de
calefacción se puede añadir de nuevo. En el modelo esto se produce cuando la
temperatura exterior está a más de 100 grados por debajo de la configuración
de temperatura del calentador. Este valor depende de la potencia del sistema
de calefacción, así como de la conductividad térmica de la casa. El sistema de
refrigeración es muy similar al sistema de calefacción. Se va a eliminar el calor
de la casa a un ritmo de 100.000 julios por hora cada vez que la temperatura
medida en la casa es mayor que el ajuste de aire.
Ahora, el sistema de ciclo de ajuste de la temperatura del aire si la

temperatura exterior es más alta que la temperatura medida de la casa. (Ver
Figura 7). Usted debe notar que el período de ciclo es más largo.
Figura 6: Gráfico de la temperatura de la casa con un solo sistema de

calefacción.
Esto ocurre porque la temperatura exterior está más cerca de la temperatura
ambiente para la transferencia de calor con el medio ambiente es más lenta.
Si la temperatura exterior está entre las dos posiciones, la temperatura de la
casa convergen en ella y permanecen a esa temperatura.
Figura 7: Gráfico de la temperatura de la casa con calefacción aire

acondicionado.
En este plazo, la temperatura exterior es superior a la configuración del aire

acondicionado y los ciclos de temperatura giran alrededor de la temperatura
ambiente del aire acondicionado.
Al ajustar la configuración del aire más alta que el ajuste de aire

acondicionado al calentador, dio algunos resultados interesantes. Cuando la
temperatura exterior era entre las dos posiciones, la temperatura de la casa
convergieron en él como antes, excepto que tanto la calefacción y el aire
acondicionado.
Cuando la temperatura exterior es superior a los dos ajustes, la temperatura

de la casa se elevó lentamente a la temperatura del calentador, ya que sólo la
transferencia de calor del ambiente se afectan. (calefacción y refrigeración
equilibrada)
Entonces, cuando la temperatura subió ligeramente por encima del calentador

de establecer el calentador se apaga y la temperatura bajó rápidamente hasta
que el sistema de calefacción se vuelve a encender después de un retraso. La
respuesta a una temperatura exterior por debajo de ambos ajustes fue similar.
Hubo un ciclo de disminución lenta hasta que se alcanzó la temperatura de
ajuste de aire, seguido por el rápido aumento como el sistema de enfriamiento
apagado.
II. ECUACIONES DEL MODELO
Calor_en_el_hogar(t) = Calor_en_el_hogar(t - dt) +

(Calor_transferido_al_ambiente + Calentamiento - Enfriamiento) * dt
INIT Calor_en_el_hogar = 0
Esta es la cantidad de calor en la casa. Se ve afectada por los sistemas de

calefacción y aire acondicionado, así como el calor transferido desde el medio
ambiente. La cantidad inicial de calor en la casa se pone a cero como punto de
referencia. Se supone que esta cantidad de calor para corresponder a una
temperatura de 75 grados Fahrenheit. Unidades: Julios
Calor__transferido__al_ambiente = (Temperatura__Exterior-
Temperatura_del_hogar) *Conductividad_Termica
Esta es la cantidad de calor transferido a la casa desde el medio ambiente. Es

proporcional a la diferencia de temperatura entre la casa y el medio ambiente.
Unidades: Julios / hora
Calentamiento = IF (Temperatura_medida_en_el_hogar <

Ajustes_del_calentador) THEN 100000 ELSE 0
Este es el calor transferido a la casa por el sistema de calefacción. Si la

temperatura de la casa medido es menor que el ajuste de calefacción,
entonces, Calefacción = 100.000 Julios por hora. Si la temperatura de la casa
es mayor, entonces Calefacción = 0 Unidades: Julios / hora
Enfriamiento = IF (Temperatura_medida_en_el_hogar >

Ajustes_del_Acondicionador) THEN 100000 ELSE 0
Este es el calor extraído de la habitación por el sistema de aire acondicionado.

Si la temperatura de la casa medido es más alto que al valor de enfriamiento,
a continuación, enfriamiento = 100.000 julios por hora. Si la temperatura de
la casa es menor, entonces Enfriamiento = 0. Unidades: Julios / hora
Ajustes_del__Acondicionador = 80
Este es el ajuste del termostato del sistema de refrigeración. Unidades:

Grados
Ajustes_del__calentador = 70
Este es el ajuste del termostato del sistema de calefacción. Unidades: Grados

Conductividad_Termica = 1000
Este factor representa la facilidad con que la energía se transfiere desde el

ambiente exterior a la casa. UNIDADES: Joules / hora / grado
Razon_de__Temperatura__a_calentar = 10000
Esta es la relación entre la temperatura y la energía en la casa. Este número

indica cuántos se necesitan julios de energía para calentar la casa en 1 grado.
UNIDADES: Joules / Grado
Retraso_en__la_medición = .2
Este es el retardo que participan en la medición de la temperatura ambiente.

Unidades: hora
Temperatura_del_hogar = (Calor_en_el_hogar/
Razon_de_Temperatura_a_calentar) + 75
Esta es la temperatura en la casa. Los cambios en la temperatura son

proporcionales a cambios en la energía de la casa. El cambio de temperatura
se calcula multiplicando la energía por la temperatura a la relación de calor. La
temperatura real se calcula mediante la adición de 75 (la temperatura de
referencia correspondiente a la energía cero. Unidades: grados
Temperatura_medida_en_el_hogar = SMTH1(Temperatura_del_hogar,
Retraso_en__la_medición)
Esta es la temperatura ambiente tal como se percibe por el termostato. Se

calcula mediante el suavizado de la temperatura real de la habitación con un
retraso. Unidades: grados
Temperatura_Exterior = 50
Esta es la temperatura del ambiente externo a la casa. La temperatura de la

casa finalmente llegar a esta temperatura sin un sistema de calefacción /
refrigeración. Unidades: Grados
FUNCIONES USADAS.
SMTH1 (<entrada>, <tiempo promedio> [, <inicial>])
La función SMTH1 calcula un primer orden exponencial suavizado, utilizando

un tiempo promedio exponencial de tiempo promedio, y un valor inicial
opcional. Si no se especifica un valor inicial, SMTH1 asume que el valor es el
valor inicial de entrada.
III. RESULTADOS
CASO N° 5: CAPACIDAD DE ARRIBO DE UN AEROPUERTO.

1 Fecha : …../..…/2016

SIMULACION DE CASOS EN EL AEROPUERTO INTERNACIONAL DE

MEXICO
Efectos del incremento de las operaciones en el aeropuerto, como una

consecuencia natural del aumento de la demanda de este tipo de
servicio.
Es importante conocer cómo es el comportamiento del aeropuerto de la Ciudad

de México, conforme aumenta el número de oper aciones en sus pistas, con el
objeto de tomar las acciones necesarias, para evitar o reducir sus
consecuencias negativas, como son entre otras: las demoras excesivas, la
cancelación de vuelos y los accidentes. En este experimento se as ume que la
capacidad de las pistas del aeropuerto es fija, con un valor igual a 55
operaciones por hora, y también que el incremento de la demanda de los
servicios de aterrizaje y despegue aumenta en la misma proporción, para
todos los tipos de aeronaves. Para reflejar los incrementos de la demanda de
servicio en el modelo de simula ción original, fueron modificados los valores de
los tiempos promedio entre llegadas y salidas, dividiéndolos por un factor que
permite establecer distinto s valores de operaciones generadas, los cuales
representan a su vez, distinto s niveles de demanda; con cada uno de los
niveles de demanda fueron realizadas 30 corri das de simulación.
Como resultado se observó que al incrementarse la demanda del servicio,

aumenta también el número de aeronaves atendidas, hasta ll egar a un límite
de 990 aeronaves, después del cual ya no se pueden atender más aeronaves.
Después de ese valor límite, el número de aeronaves en la co la de espera
aumenta drásticamente. También se observa cómo, al aumentar la demanda
de servicio, el número de aeronaves con tiempo de espera igual a cero
disminuye, al prin cipio lentamente y después en forma acelerada. Lo anterior
refl eja un deterioro en el nivel de servicio para las aeronaves (y los
pasajeros), dado que cada vez más aeronaves entran a la cola en espera de
servicio.
En el caso del tamaño promedio de la cola y de los tiempos promedio de
espera, también se obser van crecimientos lentos al inicio y después
acelerados, conforme aumenta la demanda del servicio. Esta situación implica,
además del deterioro de la calidad del servicio, un mayor riesgo en la
operación aérea. En cuanto a la utilización promedio de las pistas, ésta
aumenta con la demanda; sin embargo, los mayores niveles de utilización van
acompañados directamente de un deterioro de la calidad de servicio prestado.
Efectos del aumento de la capaci dad de las pistas del aeropuerto.
En este experimento se asume que se aument a la capacidad de la

infraestructura aeroportuaria, con el objeto de manejar 60 operaciones por
hora en sus pistas. Lo anterior implica que las pistas tendrí an una capacidad
para at ender una operación por minuto, por lo que el tiempo de servic io en
las pistas por aeronave sería ahora de un minuto, en lugar de 1.0909 minutos
que es el tiempo utilizado en el modelo original.
Con la información anterior se pueden realizar las simulaciones requeridas

para poder evaluar los cambio s que se presentarían bajo la nueva condición.
Para ello se realizaron 20 corridas de simulación con la condición original e
igual número de corridas para la nueva condición. Para esta segunda condición
en el modelo AICM1, fue necesario cambiar el valor original del tiempo que
dura cada servicio en las pistas, por el nuevo valor de 1.0000 minutos. Un
aumento de la capacidad de las pi stas de 55 operaciones/hora a 60
operaciones/hora, produce un incremento de la capacidad del orden de 9%.
De acuerdo con las estimaciones del modelo de simulación, este aumento de
la capacidad de las pistas, se traduce en una disminución de mayor magnitud
(33.3%), en el tamaño promedio del númer o de aeronaves en la cola de
espera. También hay una notable reducción en los tiempos promedios de
espera de todas las aeronaves (del 33.6%) y, en el ca so de las aeronaves con
tiempo de espera distinto de cero, la disminución es de 27.8%.
La utilización pr omedio de las pistas diminuye un 8.28%, debido a que se

proporci ona un servicio más rápido a las aeronaves. Un efecto menos acent
uado se observa en el porcentaje de aeronaves con tiempo de espera igual a
cero , ya que éste aumentó un 6.63%. Por último, el menor efecto se presenta
en el tamaño máximo de cola observado, ya que su valor promedio disminuye
tan sólo un 6.25%
Efectos de la reducción de la capaci dad del aeropuerto, debido a

labores de mantenimiento en sus pistas.
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.
Es decir, su capacidad se reduce de 55 a 46 operaciones/hora. Con esta

información y utilizando el modelo de simulación establecido, se ev alúan a
continuación los efectos de esta reducción en la capacidad de las pistas del
aeropuerto. Se asume que la condición inicial del aeropuerto corresponde a
una capacidad de 55 operaciones/hora, por lo que el tiempo de servicio por
aeronave es de 1.0909 minutos; por otro lado, la condición de m enor
capacidad, originada por las labores de mantenimiento, corresponde a una
capaci dad de 46 operaciones/hora, la cual implica un tiempo de servicio por
aeronav e de 1.3043 minutos. Para cada uno de estos dos tiempos de servicio
fueron rea lizadas 30 corridas de simulación, con el modelo AICM1 modificado.
Aunque la reducción en la capacidad de las pistas aparentemente no es
significativa (9 operaciones/hora), los resultados de las corridas de simulación
muestran grandes impactos negativos en la operación del aeropuerto, cuando
se disminuye su capacidad debido a las labor es de mantenimiento. De
acuerdo con las estimaciones del modelo de simulaci ón, la disminución de la
capacidad disponible de las pistas, implica un increm ento significativo (del
orden de 358.2%), en el número promedio de aeronaves en la cola de espera.
También hay un notable incremento del 352. 8% en el tiempo promedi o de
espera de todas las aeronaves.
En el caso de las aeronaves con tiempo de espera distinto de cero, el

incremento es de un 278.7%. También se estima un incremento importante en
el tamaño máximo de cola observado, ya que su valor promedio aumenta en
115.7%. Un efecto menos acentuado de la disminución de la capacidad de las
pistas se observa en su utilización promedio, debido a que una sola pista debe
proporcionar todo el servicio, hay menos tiempo ocioso, por lo que la pista en
servicio es utilizada más tiempo aument ando su utilización promedio un
18.61%. El menor efecto se presenta en el por centaje de aeronaves con
tiempo de espera igual a cero, este valor disminuye un 15%.
Efectos originados al reducirse la demanda de servicio, debido a la

utilización de aeronaves de mayor capacidad.
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
A partir del diagrama causal propuesto a continuación, utilizando las

ecuaciones proporcionadas, cree el modelo del sistema usando el software de
simulación.
Avionetas Avionetas Pagando

ingresando al Avionetas Naves en
esperando viajes cortos impuestos de
espacio aereo aterrizar aterrizando viajes cortos
Avionetas
Avionetas aterrizando
aterrizadas de viajes
por minuto cortos
Aviones Aviones Aviones Naves en Pagando

ingresando al esperando aterrizando viajes largos impuesto de
espacio aereo aterrizar viajes largos
Aviones
aterrizados
por minuto
III. ECUACIONES DEL MODELO

Aviones__esperando_aterrizar(t) = Aviones__esperando_aterrizar(t -
dt) + (Aviones__ingresando_al_espacio_aereo -
Aviones__aterrizando) * dt
Avionetas__esperando_aterrizar(t) =
Avionetas__esperando_aterrizar(t - dt) +
(avionetas_ingresando_al_espacio_aereo - Avionetas__aterrizando -
Avionetas_aterrizando__de_viajes_cortos) * dt
Naves_en__viajes_cortos(t) = Naves_en__viajes_cortos(t - dt) +

(Avionetas__aterrizando - pagando_impuesto_de_viajes_cortos) * dt
Naves_en__viajes_largos(t) = Naves_en__viajes_largos(t - dt) +

(Aviones__aterrizando + Avionetas_aterrizando__de_viajes_cortos -
pagando_impuesto_de_viajes_largos) * dt
Aviones__esperando_aterrizar = 0
Aviones__ingresando_al_espacio_aereo =
POISSON(Aviones_aterrizados__por_minuto)/DT
Aviones__aterrizando = QUEUE OUTFLOW
Avionetas__esperando_aterrizar = 0
avionetas_ingresando_al_espacio_aereo =
POISSON(avionetas_aterrizadas__por_minuto)/DT
Avionetas__aterrizando = QUEUE OUTFLOW
Avionetas_aterrizando__de_viajes_cortos = QUEUE OUTFLOW
Naves_en__viajes_cortos = 0
 TRANSIT TIME = 1
 INFLOW LIMIT = 1
 CAPACITY = 1
Avionetas__aterrizando = QUEUE OUTFLOW
pagando_impuesto_de_viajes_cortos = CONVEYOR OUTFLOW
Naves_en__viajes_largos = 0
 TRANSIT TIME = 1
 INFLOW LIMIT = 1
 CAPACITY = 1
Aviones__aterrizando = QUEUE OUTFLOW
Avionetas_aterrizando__de_viajes_cortos = QUEUE OUTFLOW
pagando_impuesto_de_viajes_largos = CONVEYOR OUTFLOW

Aviones_aterrizados__por_minuto = 1
avionetas_aterrizadas__por_minuto = 1
IV. RESULTADOS
CASO N° 6: MODELO DE UN CALL CENTER.

1 Fecha : …../..…/2016

MODELO DE COLA DE ESPERA DE UN CALL CENTER
Siempre que se habla de un Call Center, nos referimos a centros de Atención

de llamadas, compañías que disponen de una serie de personas que se
dedican a atender llamadas o a realizar llamadas o incluso ambas tareas, el fin
de estas llamas puede ser con diversos objetivos como por ejemplo,
departamentos de atención a clientes, atención a reclamaciones, asistencias y
soportes técnicos, departamentos que hacen encuestas, empresas de
telemarketing, etc..
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.
En esta información se valoran datos de las llamadas y de los agentes, número

de llamadas recibidas, número de llamadas realizadas, duración de las
llamadas, tiempos medios, tiempos de respuesta, disponibilidad de agentes,
etc. Con todos estos datos se puede conocer si se está realizando bien o no el
trabajo y cuáles son los puntos críticos en el caso de que los haya.
Cada contacto con un cliente es una oportunidad de fortalecer o devaluar la

imagen de su empresa y la relación con el cliente.El proceso de asignar la
persona adecuada al cliente concreto en el momento apropiado es de vital
importancia para tener una relación exitosa con sus clientes.
Si se gestiona correctamente, los clientes están más satisfechos, las ventas

cruzadas son mayores, y ciertos segmentos de clientes de alto valor pueden
ser tratados individualmente de acuerdo a sus premisas de negocio.
Lo comentado se puede llevar a cabo con un sistema de tratamiento de

llamadas adecuado y técnicas de optimización de recursos, las soluciones de
Contact Center permiten que las empresas ofrezcan mayores niveles de
eficiencia al mismo tiempo que aumentan sus ingresos. Así, los agentes
correctos atenderán mejor las llamadas y la productividad global del Call
Center aumentará, reduciéndose los costes.
Un Contact Center es un Sistema de Atención de Clientes que permite

Gestionar de la forma más rentable los recursos humanos para atender
peticiones. Evita que los clientes esperen más de lo necesario, también evita
que un Cliente que llama ó contacta con nuestra empresa tenga que explicar
varias veces el motivo de su llamada, aporta información de forma automática
a nuestro cliente y genera toda la información necesaria para administrar día a
día la gestión de nuestros clientes.
Se ha planteado que es más importante, ¿Atender una llamada telefónica?,

¿Atender un FAX?, ¿Atender un correo electrónico?, una petición de
información a través de la WEB, etc.
En realidad lo importante es Atender al Cliente, y Contactar con la persona

adecuada.
Una organización en el negocio de prestación de servicios experimentó una

situación en la que el número de solicitudes de entrega aumentó
dramáticamente debido a una promoción de temporada. Este aumento de las
solicitudes causó una sobrecarga en el personal de la prestación de servicios
no sólo por tener más personas que solicitan servicio, sino también debido a
que la cantidad de tiempo que se atiende a cada cliente aumentó. Este modelo
está diseñado para describir por qué ocurre esto de una manera que puede ser
transferible a otras organizaciones de prestación de servicios.
II. CONSIGNAS
Representante de
Representantes servicio
disponibles
Conectando Consultas finalizadas

Personas Personas Personas hablando con
con un
llamando en cola representantes del servicio
representante
Tiempo que el cliente habla
con el servicio técnico
Impacto del
Tiempo en cola
Llamadas por minuto / tiempo en cola
distribucion de poisson Tiempo normal de atención
.
En primer lugar, pulse Ejecutar para experimentar lo que va a pasar con este
modelo bajo las siguientes condiciones:
1. Marcado en la tasa de Poisson = número aleatorio de distribución con 50

como la media
2. Representantes de servicio = 100
3. El tiempo medio que un cliente está con un representante = 5 minutos
A continuación, trata de experimentar con el modelo para ver qué sucederá si

marca en aumento. Utilice el control deslizante para cambiar las llamadas por
variable minuto del 50 al 70. Pulse el botón Ejecutar.
¿Qué crees que va a pasar con el tiempo en la cola y en el tiempo con un

cliente dado este nuevo supuesto?
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 = varies

 INFLOW LIMIT = INF
 CAPACITY = 100
conectando_con__un_representante = Representantes__disponibles
Consultas_finalizadas = CONVEYOR OUTFLOW
TRANSIT TIME =
tiempo_que_el_cliente_habla_con_servicio_técnico
Representantes_de_servicio = 100
impacto_del_tiempo_en_cola = GRAPH(tiempo_en_cola) (0.00, 1.00),

(3.00, 1.18), (6.00, 1.44), (9.00, 1.74), (12.0, 2.08), (15.0, 2.52),
(18.0, 2.84), (21.0, 3.20), (24.0, 3.52), (27.0, 3.72), (30.0, 3.92)
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.

1 Fecha : …../..…/2016

UN ESQUEMA DE ADMINISTRACIÓN DE RECURSOS COMPARTIDOS
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.
Si bien en ambos casos finalmente se llega al punto en el que la capacidad del

pastizal para proveer mantenimiento es sobrepasada, el segundo caso enfatiza
el aspecto sobre el que Hardin desea atención: no importa cual sea el recurso
que interese, el crecimiento de la población (ver transición demográfica)
finalmente fuerza primero a imponer controles sobre su uso y, más tarde,
sugiere Hardin, sobre el número de personas que pueden aspirar a vivir en ese
hábitat. Sin embargo el ejemplo de Hardin tiene la ventaja que resalta otro
aspecto que él busca enfatizar: la fuerza de la racionalidad económica. Cada
pastor encuentra conveniente aumentar el número de sus animales aún
cuando sepa que eso impone costos adicionales sobre la comunidad: él
obtiene los beneficios del uso extra mientras que el costo es compartido o
recae mayormente sobre otros (ver: externalidades).
En su ensayo, Hardin se concentra en el uso de recursos naturales extensos

pero limitados (tales como la atmósfera y el océano) pero al mismo tiempo lo
contrasta con el concepto de «comunes negativos» (polución, etc.)
argumentando que la falla de solucionar el problema del uso racional
restringido de recursos comunes conlleva la introducción de costos comunes.
Para Hardin, el centro del asunto trata de la relación estructural o institucional

(legalizada) entre los principios de libertad, responsabilidad y necesidad y el
mal uso —abuso y demanda sin límites o restricciones (exceso de derechos de
uso o ausencia de derechos de preservación)— sobre los recursos naturales,
mal uso en general debido u ocasionado por el crecimiento de la población y
cuya solución se encuentra en la restricción incremental de algunos derechos o
libertades (últimamente, el derecho a reproducción). En sus palabras:
Quizás el resumen más sencillo del problema de la población humana es el

siguiente: los recursos comunes, si acaso justificables, son justificables solamente
bajo condiciones de baja densidad poblacional. Conforme ha aumentado la población
humana han tenido que ser abandonados en un aspecto tras otro... De alguna
manera, poco después vimos que los recursos comunes como áreas para deposición
de basura también tenían que ser abandonados. Las restricciones para la eliminación
de desechos domésticos en el drenaje son ampliamente aceptadas en el mundo
occidental; continuamos en la lucha para cerrar esos espacios a la contaminación por
automóviles, fábricas, insecticidas en aerosol, aplicación de fertilizantes y centrales de
energía atómica... Cada nueva restricción en el uso de los recursos comunes, implica
restringir la libertad personal de alguien. Las restricciones impuestas en un pasado
distante son aceptadas porque ningún contemporáneo se queja por su pérdida. Es a
las recientemente propuestas a las que nos oponemos vigorosamente; los gritos de
"derechos" y de "libertad" llenan el aire. ¿Pero qué significa libertad? Cuando los
hombres mutuamente acordaron instaurar leyes contra los robos, la humanidad se
volvió más libre, no menos. Los individuos encerrados en la lógica de los recursos
comunes son libres únicamente para traer la ruina universal; una vez que ven la
necesidad de la coerción mutua, quedan libres para perseguir nuevas metas. Creo que
fue Hegel quien dijo: «La libertad es el reconocimiento de la necesidad». Hardin,
op. cit.
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).
Tampoco se debe entender como implicando una condena de la situación

descrita —específicamente, como una crítica a la propiedad comunal.— Hardin
comentó que su posición ha sido a menudo mal entendida, y que debería
haber llamado a su ensayo “La tragedia de los comunes desregulados”. Es
posible que este problema se deba a su uso del “terreno común”
(especialmente dado que el término evoca el común medieval) como ejemplo
de utilización sin regulación. Se puede alegar con fuerza (ver por ejemplo
Radkau, op. cit) que ese común medieval no corresponde a una situación de
uso sin regulación, sino una que, por el contrario, estaba fuertemente
normada.
La afirmación que tales comunes conducían necesariamente a la

sobreexplotación y la ruina común fue, se ha sugerido, una derivada del
interés de algunos de transformar esa propiedad común ya sea en privada o
estatal (o ambos).(Se ha sugerido que, a menudo, es el caso que tales
privatizaciones o estatizaciones producen resultados peores que el uso común
)
Sin embargo esta interpretación —y a pesar de las restricciones conceptuales

sugeridas— no es totalmente arbitraria sino una derivada de observaciones
concretas, existiendo numerosos ejemplos entre los cuales quizás el que
parece más apropiado a este artículo es el común de Boston que fue —
finalmente— terminado como tal debido a su sobreexplotación como pastizal
(transformándose en un parque). Esto ha dado lugar a una amplia discusión
acerca de la interpretación, implicaciones y causas de la supuesta tragedia.5 -
Radkau, por ejemplo, alega que la “verdadera tragedia de los comunes” se
debe al uso desconsiderado de lo común motivado por “reformas agrarias”
(Radkau, op. cit).-
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.
Para ellos, la erosión del suelo, agotamiento de los recursos no renovables y

otras descapacitaciones de utilizaciones futuras son costos externos que no
entran en sus cálculos de ingresos y producción. Ellos cortan árboles sin
considerar sus reemplazos o la reforestación. En la pesca y la caza ellos no
vacilan en utilizar métodos que previenen la repoblación de las fuentes de
pesca o caza.”.
II. CONSIGNAS
Luego de la lectura del caso, construya el modelo según las ecuaciones

adjuntas.
Administracion_de_pastizal(t) = Administracion_de_pastizal(t - dt) +

(Pago_de_impuestos - Gastos_de_la_administracion) * dt
Administracion_de_pastizal = 0
Pago_de_impuestos = IF Pastos_comunes_con_Impuestos>0 THEN

Programacion_de_impuestos*Costo_promedio_por_granjero ELSE 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
Vacas_añadidas = IF Dinero_ganado>Pago_de_impuestos THEN 1

ELSE 0
Vacas_eliminadas = IF Pago_de_impuestos>Dinero_ganado THEN 1

ELSE 0
Pastos_comunes_con_Impuestos(t) =
Pastos_comunes_con_Impuestos(t - dt) + (Crecimiento_de_grass -
Muerte_de_grass - Grass_consumido) * dt
Pastos_comunes_con_Impuestos = 100 {acres}
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(t) = Stock_del_orden(t - dt) +

(Restauracion_del_orden - Agotamiento_del_orden) * dt
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
Dinero_ganado = If Pastos_comunes_con_Impuestos>0 THEN

Costo_promedio_por_granjero*Ganancia_por_vaca ELSE 0
Pago_de_impuestos = IF Pastos_comunes_con_Impuestos>0 THEN

Programacion_de_impuestos*Costo_promedio_por_granjero ELSE 0
conversor_de_dinero_a_regeneracion =
0.000*Gastos_de_la_administracion {regeneration points/dollar}
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)
Simulation Time 100.
Units Time.
IV. RESULTADOS
CASO N° 8: MODELO DE DEPREDADOR - PRESA.

1 Fecha : …../..…/2016

PRIMERA APROXIMACIÓN DE LOTKA VOLTERRA
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:
PULSE (población depredadores/2 , 15 , 0)
Esto se tradujo en una disminución inmediata en la población de depredadores seguida por un

gran aumento de la población de presas. En el ciclo siguiente, la población de depredadores llega
a su máximo anterior y la población de la presa cayó por debajo de su valor mínimo anterior.
Después de unos pocos
ciclos más, ambas
poblaciones volvieron a su
oscilación anterior con el
mismo período y la
amplitud.
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.
5. Este modelo muestra que la fumigación de los cultivos con insecticidas

puede tener algunas consecuencias no deseadas. Inicialmente, la pulverización
tiene el efecto sobre la disminución de la población de insectos y el aumento
de rendimiento de los cultivos. Sin embargo, unos años más tarde, la
población de insectos es mayor que nunca, y el rendimiento del cultivo es peor
de lo que ha sido nunca. La reacción inmediata en este sentido podría ser la
de rociar con una cantidad aún mayor de insecticida. Utilizando el modelo, se
puede ver que esto resultará en aún más extremo que la primera vez. El
agricultor puede terminar en un círculo vicioso de fumigaciones cada vez
mayor de insecticidas y cada vez mayores fluctuaciones en el rendimiento de
los cultivos y el tamaño de la población de insectos.
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.
III. ECUACIONES DEL MODELO.
Predadores(t) = Predadores(t - dt) + (nacimiento_predadores -

muerte_predadores) * dt
Presas(t) = Presas(t - dt) + (nacimiento_presas - muerte_presas) * dt
Predadores = 1250
Inicialmente hay 1.250 predadores. Unidades: predadores
nacimiento_predadores =
Predadores*fraccion_nacimiento_predadores
Se utiliza un procedimiento de mezcla para representar los nacimientos de

predadores. El flujo de nacimientos se define como el producto de la población
de depredadores y su fracción de nacimientos. Unidades: predadores / año
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
Inicialmente hay 50 000 presas en el ecosistema. Unidades: presas
nacimiento_presas = Presas*fraccion__nacimiento_presas
Un proceso de composición se utiliza para representar los nacimientos de las

presas. El flujo de nacimientos se define como el producto de la población de
presas y su fracción de nacimientos. Unidades: Presas / año
muerte_presas = Predadores*presas_muertas__por_predador
Cada depredador tiene una productividad dada por la presas muertas por
depredador. Unidades: Presas / año
area = 1000
El área del ecosistema se define como 1 000 acres. Unidades: acres
densidad__presas = Presas/área
Esta ecuación calcula la densidad media de las presas en el ecosistema.

Unidades: Presas / acre
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
fraccion__muertes__predadores = GRAPH(densidad__presas) (0.00,

0.5), (10.0, 0.395), (20.0, 0.33), (30.0, 0.27), (40.0, 0.225), (50.0,
0.185), (60.0, 0.148), (70.0, 0.11), (80.0, 0.088), (90.0, 0.077), (100,
0.0725)
Mortalidad del predador - la fracción de la población de depredadores que

muere cada año, dependerá de la densidad de presas. Con menos presas, una
mayor fracción de la población de depredadores morirá de hambre. Unidades:
1/años
presas_muertas__por_predador = GRAPH(densidad__presas) (0.00,

0.00), (50.0, 50.0), (100, 125), (150, 252), (200, 357), (250, 435),
(300, 467), (350, 495), (400, 500), (450, 500), (500, 500)
El número de presas asesinadas por los depredadores (por año) aumenta con
la densidad de presas en el ecosistema. Tenga en cuenta que cuando la
densidad es 0 (no hay presa), las presas muertas por depredador por año
debe ser 0. Unidades: Presas / año / Predador
IV. RESULTADOS
CASO N° 9: MODELO DE DEPREDADOR–PRESA: LIEBRES Y
LINCES.

1 Fecha : …../..…/2016

LOTKA VOLTERRA – SEGUNDA APROXIMACIÓN
El sistema depredador - presa es un clásico en la simulación de sistemas, fue

el primer modelo ecológico simulado gracias a las ecuaciones de Lotka y
Volterra y del que el ejemplo de las liebres y los linces del Canadá constituye
la referencia real más conocida.
En los frios inviernos de los bosques canadienses, la liebre constituye casi el

único recurso de los linces, a la vez que éstos son, prácticamente, sus únicos
depredadores. De esta manera, se establece una fuerte dependencia entre
unos y otros.
Quiso la casualidad que hubiera una única compañía peletera en la región, de

manera que todas las pieles tanto de linces como de liebres, que los
tramperos de la zona conseguían, terminaran en manos de esa compañía, y
mejor todavía para nosotros: terminaran anotadas en sus libros de registro.
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...
Las ecuaciones de Lotka y Volterra reproducen este comportamiento oscilante,

que se puede simular con Vensim de forma relativamente fácil. Existen varios
modelos construidos con diferentes variables que "funcionan", es decir que
son capaces de reproducir estas oscilaciones periódicas. Vamos a trabajar con
alguno de ellos.
El siguiente modelo se basa en las ecuaciones de Lotka y Volterra y es uno de

los más simples..
II. CONSIGNAS
Liebres(t) = Liebres(t - dt) + (CrecLiebres - DismLiebres) * dt
INIT Liebres = 100
INFLOWS:
CrecLiebres = Liebres*TasaCrecLiebres
OUTFLOWS:
DismLiebres = Liebres*TasaMuertLiebres*Linces
Linces(t) = Linces(t - dt) + (CrecLinces - DismLinces) * dt
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.

1 Fecha : …../..…/2016

LOTKA VOLTERRA – TERCERA APROXIMACIÓN
Es muy interesante observar cómo se presentan muchas relaciones entre

especies que viven en un mismo ecosistema, esto se deriva del hecho de que
nuestro mundo es finito y no podemos extender nuestros dominios más allá de
la esfera terráquea donde vivimos. Una de las interrelaciones más comunes es
la llamada: presa-depredador, este fenómeno a menudo observado entre los
mamíferos consiste en lo siguiente:
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
No entraremos en detalles acerca de este par de ecuaciones, únicamente

diremos que ellas modelan el proceso biológico de dos elementos: presa
(ecuación 1) y depredador (ecuación 2), y que además existen parámetros
que representan la interacción entre dos especies. La representación
geométrica de las interacciones entre estas dos especies nos dice lo siguiente:
Las presas tienen un proceso de reproducción y crecimiento, ya que el número

de depredadores es pequeño; al paso del tiempo, el número de depredadores
crece y éstos empiezan a requerir mayor alimento, por lo que las presas
comienzan a disminuir. Sin embargo, al paso del tiempo algunos depredadores
mueren y las presas surgen de nuevo, completando un ciclo. La figura de
abajo muestra el proceso antes mencionado, con dos figuras concéntricas,
donde la externa representa a las presas y la interna a los depredadores.
II. CONSIGNAS
Lobos(t) = Lobos(t - dt) + (CrecLobos - DismLobos) * dt
INIT Lobos = 30
INFLOWS:
CrecLobos = Lobos*TasaCrecLobos*Ovejas*RatioDepredacion
OUTFLOWS:
DismLobos = Lobos*TasaMuertLobos
Ovejas(t) = Ovejas(t - dt) + (CrecOvejas - DismOvejas) * dt

INIT Ovejas = 100
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.

1 Fecha : …../..…/2016

LOTKA VOLTERRA DINAMICA MULTI POBLACIONAL
El Principio de Volterra
La primera propiedad se denominaría con el tiempo Ley de la periodicidad de

Volterra que viene a decir que el cambio de los tamaños poblacionales de
ambas especies (presa y depredadora) son periódicos, en efecto:
Periodicidad de Volterra Otra propiedad interesante y anti-intuitiva es la Ley

de Conservación de los Promedios. Según ésta ley los promedios de los
tamaños poblacionales de la especie presa (x) y de la depredadora (y) son
independientes de su tamaño inicial y, calculados en un periodo son a/ß y ?/d.
Y, tal vez la propiedad más anti-intuitiva es la Ley de la perturbación de los

promedios, más conocida como el “Principio de Volterra”, que viene a decir
que si las poblaciones de ambas especies son destruidas a una razón
proporcional a su tamaño poblacional, el promedio de las presas aumenta,
mientras que el de los predadores disminuye. El “Principio de Volterra” tiene
importantes implicaciones en el uso de insecticidas que destruyen tanto a los
insectos predadores como a sus insectos presa. Pero no termina ahí su
aplicación, de ahí su interesante “fertilidad cruzada” como sucede con otros
isomorfismos, pues el mismo principio es aplicable en campos tan diferentes
como medicina, policial, militar, económica, ciclo producción-consumo, etc. en
general allí donde exista un sistema acoplado de dos componentes (o más) y
se decida la intervención indiscriminada sobre todos los componentes del
sistema puede alterar profundamente el equilibrio pre-existente y en la
mayoría de ocasiones provocar resultados inesperados o contraproducentes si
no se ha tenido en cuenta esta sutil inter-dependencia entre los componentes
del sistema. Es decir, por ejemplo, si la proliferación de una plaga (presas) es
controlada mediante procedimientos naturales por otra especie (predadores),
existe cierto equilibrio entre ambas como hemos podido comprobar
(oscilaciones periodicas). Si, por otro lado, en cierto momento se decide la
aplicación de un insecticida para acabar con la plaga sin tomar en cuenta que
éste también mata a los predadores el resultado será según el “Principio de
Volterra” que, en promedio, la plaga aumenta y, también en promedio, la
especie con la que se controlaba disminuye. En efecto, suponiendo por
ejemplo una perturbación (eliminación) en ambas especies del orden del 90%
en el periodo 40 y del 80% en el periodo 41, observaremos como la plaga (la
especie presa en este caso) se recupera más rápidamente que la especie que
la regulaba (la especie predadora de la plaga), alterando sustancialmente el
equilibrio pre-existente y con ello los dos atractores de ciclo límite. Tener en
cuenta el “Principio de Volterra” es crucial para el diseño de plaguicidas, de
modo que focalicen su efecto letal sobre la especie-plaga y minimicen los
daños colaterales en los predadores naturales. Esto es algo que se tiene muy
en cuenta en la industria farmacológica con el concepto de diana terapéutica
en el tratamiento del cáncer y otras enfermedades para evitar en lo posible
que los fármacos ocasionen daños colaterales en el sistema inmunológico.
Por último pero no menos importante es contemplar la Ley de la periodicidad

de Volterra con el prisma del concepto del atractor de ciclo límite. Esto se
consigue al graficar las soluciones x(t) e y(t) en forma paramétrica en el
espacio de fases (x,y), obtenemos la superposición de dos funciones
oscilatorias que podemos graficar mediante un típico diagrama de dispersión.
En efecto, si observamos el ciclo poblacional de las presas en función del ciclo
poblacional de los predadores comprobaremos un patrón gráfico típico en el
comportamiento de muchos sistemas.
Atractor de ciclo límite en presas Igualmente, observaremos el mismo

fenómeno en el ciclo poblacional de los predadores en función del ciclo
poblacional de las presas
Atractor de ciclo límite en predadores Y, para observar la combinación de

ambos atractores, superponemos ambos ciclos en la misma gráfica. Al
observar estos atractores podemos interpretar que desprenden cierto
significado, incluso cierta belleza y armonía. Efectivamente, desde una
perspectiva teleológica el ecosistema parece estar dirigido, como si una mano
invisible adamsmithiana mantuviera el equilibrio del sistema dentro del ciclo
límite. Aunque desde una perspectiva sistémica podemos interpretar ese ciclo
límite como una regularidad típica de los procesos de auto-organización y una
propiedad emergente del Modelo Lotka-Volterra. Un tema, la auto-
organización como propiedad emergente de los sistemas complejos, tan
apasionante que prometo dedicar un post y profundizar en sus implicaciones.
Atractores de ciclo límite superpuestos Otras extensiones del modelo

Lotka-Volterra se pueden desarrollar para hacer más realista el modelo, por
ejemplo incorporando límites a la capacidad de carga del ecosistema para
limitar el número de presas, o también incorporando competencia
intraespecífica dentro de la especie predadora (canibalismo) o más
recientemente incorporando otras especies predadoras de segundo y tercer
orden (predadores de predadores, etc.). Otro aspecto interesante del modelo
Lotka-Volterra es que nos introduce en el ámbito de una de las ecuaciones no
lineales más sencillas de modelizar con las técnicas de la Dinámica de
Sistemas en la que profundizaré en próximos post y en donde la comprensión
de los resultados anti-intuitivos como fruto de las interacciones existentes en
el sistema nos conducen a una nueva forma de pensar y abordar la
complejidad. Con el modelo Lotka-Volterra se nos abre todo un mundo de
posibilidades para observar la realidad de los sistemas vivos (sistemas
económicos incluidos) como si de un simulador de vuelo se tratara y en donde
la clave de la comprensión se encuentra en la capacidad de perturbar el
modelo para extraer conclusiones, propiedades, principios y nuevas intuiciones
de orden cualitativo para entender más profundamente el comportamiento de
sistemas complejos.
II. CONSIGNAS
Grass(t) = Grass(t - dt) + (CrecGrass - DismGrass) * dt
INIT Grass = 50
INFLOWS:
CrecGrass = Grass*TasaCrecGrass
OUTFLOWS:
DismGrass = Grass*Ovejas*TasaMuertGrass
Lobos(t) = Lobos(t - dt) + (CrecLobos - DismLobos) * dt
INIT Lobos = 5
INFLOWS:
CrecLobos = Lobos*Ovejas*TasaCrecLobos
OUTFLOWS:
DismLobos = Lobos*TasaMuertLobos
Ovejas(t) = Ovejas(t - dt) + (CrecOvejas - DismOvejas) * dt
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.

1 Fecha : …../..…/2016

DINÁMICA DE LA REFORESTACIÓN
La polinización, la diseminación y la germinación forman parte de la

experiencia diaria, al igual que la muerte y la caída de los grandes árboles del
dosel. Los ríos y los riachuelos no cesan de erosionar sus riberas para
depositar corriente abajo una rica capa de sedimentos que servirá de sustrato
a nuevos árboles.
Cada bosque es un nuevo mosaic o de “parches”; unos más jóvenes, otros

más viejos, pero todo a consecuencia de perturbaciones naturales (un
derrumbe, un huracán, la caída de un árbol) ocurridas en tiempos distintos, y
al interior de cada parche los árboles adultos, los brinzales, y las plántulas
compiten permanentemente por los recursos disponibles. Una población tiene
diversas propiedades que son singulares del grupo y no son características de
los individuos que se agrupan. Algunas de estas propiedades son: den sidad,
natalidad (tasa de natalidad), mortalidad (tasa de mortalidad), distribución por
edades, potencial biótico, dispersión y formas de crecimiento. Las poblaciones
poseen también características genéticas que se relacionan de manera directa
con la ecol ogía, entre ellas la adaptabilidad, el éxito reproductor y la
persistencia (la probabilidad de dejar descendientes durante periodos
prolongados). Las poblaciones forestales de los bosques tropicales tienen
características propias, por lo que su dinámica se evalúa teniendo en
consideración algunos aspectos que repercuten en el enfoque de evaluación
poblacional de estas especies. La primera característica es la dificultad para
determinar la edad de los individuos, por lo cual gener almente se usa el
tamaño o fase de desarrollo como indicador del paso del tiempo, y no la edad.
La segunda característica es que poseen una regeneración natural muy

inestable y cambiante, por lo cual se considera el reclutamiento como un
indicador que fac ilita la medición del ingreso de individuos a las poblaciones
forestales. La dinámica como la expresión de la evolución en el tiempo y en el
espacio de la composición de los ecosistemas, bajo la influencia de factores y
parámetros natura les o antrópicos de la composición intra e interespecífica de
las poblaciones que componen un espacio arbolado.
Esta dinámica, activada por parámetros y factores climáticos, edafológicos,

biológicos, antrópicos y a veces fenómenos accidentales, es integrad a a las
decisiones de ordenación forestal y a la gestión multifuncional de los bosques.
El motor de esta dinámica son las perturbaciones (mortalidad) que resultan en

la formación de los claros, además de la regeneración (reclutami ento) y el
crecimiento, que permiten mantener la estructura del bosque.
La búsqueda de respuestas a interrogantes como: ¿cuál es la velocidad de

crecimiento de las especies arbóreas?, ¿cuáles son sus tasas de mortalidad y
reclutamiento?, y ¿cuáles serían sus ciclos de corta adecuados en caso de
aprovechamiento de productos forestales?, podría servir en la selección de
rodales y especies para fines de protección y manejo a nivel local y regional.
Asimismo, para poder entender las tendencias actuales y futuras del ciclo
global del carbono se requiere cuantificar los cambios temporales de las
reservas y flujos de carbono en los diferentes ecosistemas y, de manera
especial, en los boscosos.
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 Crecimiento

suelo
Calidad_Suelo(t) = Calidad_Suelo(t - dt) + (crecimiento__suelo) * dt
Vegetacion[Etapa_Seral](t) = Vegetacion[Etapa_Seral](t - dt) +

(crecimiento__vegetacion[Etapa_Seral] -
muerte_por__desplazamiento[Etapa_Seral]) * dt
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]
biomasa__maxima[Hierbas] = GRAPH(Calidad_Suelo) (0.00, 7.50),

(10.0, 24.0), (20.0, 27.5), (30.0, 28.5), (40.0, 29.0), (50.0, 29.0),
(60.0, 29.0), (70.0, 29.0), (80.0, 29.0), (90.0, 29.0), (100, 29.0)
biomasa__maxima[Pasto] = GRAPH(Calidad_Suelo) (0.00, 0.00),

(10.0, 11.0), (20.0, 25.0), (30.0, 45.5), (40.0, 63.0), (50.0, 67.0),
(60.0, 67.5), (70.0, 70.0), (80.0, 69.0), (90.0, 69.5), (100, 70.0)
biomasa__maxima[Arbustos] = GRAPH(Calidad_Suelo) (0.00, 0.00),

(10.0, 0.00), (20.0, 14.5), (30.0, 31.0), (40.0, 45.0), (50.0, 53.5),
(60.0, 58.5), (70.0, 60.5), (80.0, 62.5), (90.0, 63.5), (100, 64.0)
biomasa__maxima[Pinos] = GRAPH(Calidad_Suelo) (0.00, 0.00),

(10.0, 0.00), (20.0, 0.00), (30.0, 0.00), (40.0, 0.00), (50.0, 33.5),
(60.0, 52.0), (70.0, 63.5), (80.0, 72.0), (90.0, 74.5), (100, 74.5)
biomasa__maxima[Madera_dura] = GRAPH(Calidad_Suelo) (0.00,

0.00), (10.0, 0.00), (20.0, 0.00), (30.0, 0.00), (40.0, 1.00), (50.0,
3.50), (60.0, 7.00), (70.0, 20.5), (80.0, 91.5), (90.0, 98.5), (100, 100)
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[Pasto] = GRAPH(Calidad_Suelo) (0.00,

0.0765), (10.0, 0.0705), (20.0, 0.065), (30.0, 0.055), (40.0, 0.0385),
(50.0, 0.0265), (60.0, 0.0175), (70.0, 0.01), (80.0, 0.005), (90.0,
0.004), (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[Pinos] = GRAPH(Calidad_Suelo) (0.00,

0.025), (10.0, 0.019), (20.0, 0.0155), (30.0, 0.013), (40.0, 0.0095),
(50.0, 0.0075), (60.0, 0.006), (70.0, 0.004), (80.0, 0.0025), (90.0,
0.001), (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.

1 Fecha : …../..…/2016

MODELO DEL CICLO DEL FÓSFORO EN LOS LAGOS
La siembra de peces en lagos que no poseían anteriormente peces, ha

demostrado que afecta el ciclo de nutrientes y las interacciones tróficas en los
ecosistemas. La hipótesis de la cascada trófica ayuda a dilucidar los
mecanismos, incluidos los controles de arriba hacia abajo (top-down) y de
abajo arriba (bottom-up), en la raíz de los efectos de la introducción de peces.
Utilizamos modelos de simulación dinámica para explorar este sistema, para

permitir la separación de las interacciones tróficas complejas de sus
mecanismos subyacentes. Nuestro objetivo es ayudar a familiarizarse con los
comentarios en las redes alimentarias, cascadas tróficas y ciclos de fósforo en
los ecosistemas lacustres, a través de la ejecución de escenarios diferentes en
el modelo. Las lecciones aprendidas son relevantes a las preocupaciones
comunes de la conservación del ecosistema del lago, incluyendo los cambios
recientes, tanto en el ciclo de nutrientes y la dinámica de la población.
La siembra de peces y la introducción involuntaria de especies son una

preocupación ecológica en particular en los lagos históricamente sin peces,
debido a las consecuencias de largo alcance, sobretodo inesperados, en la
adición de un nuevo nivel trófico de estos sistemas. Este problema es
especialmente relevante en áreas tales como Sierra Nevada, donde la trucha
(no autóctonas) puebla más del 80% de los lagos anteriormente sin peces. Un
importante efecto de la introducción de pescado es un aumento en el lago de
la producción primaria. La teoría de la cascada trófica, ayuda a explicar este
efecto, predice que los consumidores influirán incluso en los niveles tróficos
más bajos que sus efectos se propagan a través del lago en las redes
alimentarias, añadiendo un nuevo nivel trófico puede tener un efecto negativo
directo en el siguiente nivel trófico hacia abajo, por ejemplo, la trucha reduce
el nivel de herbívoros, y esto a su vez, puede tener un efecto positivo en el
nivel trófico por debajo de ese, la población de peces herbívoros consume
menos fitoplancton. Las cascadas tróficas se pueden describir mediante el
recorrido del fósforo, a través de ciclos en las redes alimentarias del lago. El
fósforo es un elemento útil para rastrear, ya que limita el crecimiento de
plantas en ecosistemas lacustres. Por lo tanto, los efectos de los peces en el P
inorgánico afectan directamente a las poblaciones de plantas. El rastreo del P
también revela patrones cíclicos interesantes en respuesta a los cambios
estacionales en la oxidación-reducción (redox) potencial de los sedimentos del
lago.
En una red alimentaria simplificada descrita en unidades de P, las acciones

incluyen P inorgánico, P en plantas, P en consumidores y P en el detritus. En
este sistema, la introducción de pescado afecta a las plantas a través tanto de
control de arriba hacia abajo y de abajo hacia arriba en otros niveles tróficos,
debido a los circuitos de retroalimentación que conectan los niveles tróficos.
Además los peces añaden control de arriba hacia abajo a los consumidores de
plantas, lo que disminuye la tasa de consumo, o población de plantas por
crecer. Los peces también contribuyen al conjunto detrítico de P, que luego se
mineraliza y nutre las plantas.
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.
Los modelos de simulación dinámica son particularmente apropiados para

explorar el sistema. Debido a que nuestro modelo representa un sistema
cerrado, la variación producida por nuestros escenarios es únicamente una
función de la estructura del ecosistema interno. Además, el ciclo del P en lagos
sin peces ya es un proceso dinámico y la introducción de especies tiene
efectos complejos sobre las estructuras de retroalimentación existentes. Los
modelos de simulación facilitan la exploración de interacciones difíciles de
predecir entre los distintos circuitos de retroalimentación que conforman una
red alimentaria. Por lo tanto, al crear modelos de simulación se puede utilizar
en la predicción de la variación en los efectos de la introducción de peces en
los escenarios que incluyen variaciones en las tasas de flujos, tamaños de
poblaciones, o la inclusión de la variabilidad estacional. Nuestro modelo
heurístico puede simplificar estas interacciones tróficas complejas para que los
usuarios no familiarizados con el ciclo P y / o las cascadas tróficas para
adquirir una comprensión mecanicista de las causalidades básicas detrás de la
dinámica de sistemas.
Cuando el detritus se mineraliza, se convierte en P inorgánico, que pasa a

estar disponible para la asimilación por las plantas. La radiación
fotosintéticamente activa (PAR), la parte del espectro de luz visible, que los
combustibles fotosíntesis, varía en intensidad según las estaciones. El
potencial redox de los sedimentos del lago también varía en respuesta a los
cambios estacionales. Nuestro lago hipotético es el modelo de los muchos
lagos reales que estratifican en el verano, ya que las aguas superficiales se
calientan más rápido que las aguas más profundas. Por el final del verano,
material orgánico mucho ha caído al fondo del lago, donde se descompone por
las bacterias aeróbicas. Estos descomponedores utilizan el O2 y por lo tanto
reducir el potencial redox de los sedimentos, la reducción de hierro de Fe3+ a
Fe2+. Oxidado el Fe3+ se combina con fosfato para formar FePO4, pero tras
la reducción a Fe2+ a finales de verano, libera PO4 en la columna de agua
entre la población de P inorgánico, que está disponible para su absorción por
las plantas. A finales del otoño, ya que el agua superficial se enfría para que
coincida con la temperatura de las aguas más profundas, la renovación del
lago trae O2 al fondo del lago de nuevo. El Fe se oxida y otra vez arrastra
fosfato a partir de la columna de agua.
II. CONSIGNAS
FePO4 = 0 {micro g P/l}
Formacion_&_Disolucion_FePO4 =
Disponibilidad_estacional_de_P*Multiplicador*Switch_estacional_Red
ox {ugP/l/time}
P_en_detrito = 7.4 {micro g P/l}
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}
Mineralizacion = P_en_detrito*Tasa_de_mineralizacion {ugP/l/time}
P_en_herviboros = .5 {micro g P/l}
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}
Acumulacion_de_herbivoros =
.1*Switch_de_almacenamiento_herviboros {uP/l/time}
Herbivoros_al_detrito =
P_en_herviboros*Tasa_de_herbivoros_al_detrito {P/time}
Predacion = P_en_peces * P_en_herviboros* Tasa_de_predacion*

Switch_de_peces*
(P_en_herviboros/(P_en_herviboros+Concentracion_de_P_en_peces)
) {ugP/l/time}
P_en_peces(t) = P_en_peces(t - dt) + (Predacion - Peces_al_detrito)

* dt
P_en_peces = .05 {micro g P/l}
Predacion = P_en_peces* P_en_herviboros* Tasa_de_predacion*

Switch_de_peces*
(P_en_herviboros/(P_en_herviboros+Concentracion_de_P_en_peces)
) {ugP/l/time}
Peces_al_detrito =
P_en_peces*Tasa_de_peces_al_detrito*Switch_de_peces
{ugP/l/time}
P_en_plantas = 5 {micro g P/l}
Asimilacion = IF(Limitacion_de_luz=0) THEN

(P_inorganico*P_en_plantas*Tasa_de_asimilacion*(P_inorganico/(P
_inorganico+Concentracion_P_en_plantas))) ELSE
(P_inorganico*P_en_plantas*Tasa_de_asimilacion*(P_inorganico/(P
_inorganico+Concentracion_P_en_plantas))*Limitacion_de_luz)
{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}
P_inorganico = 27.6{micro g P/l}
Mineralizacion = P_en_detrito*Tasa_de_mineralizacion {ugP/l/time}
Formacion_&_Disolucion_FePO4 =
Disponibilidad_estacional_de_P*Multiplicador*Switch_estacional_Red
ox {ugP/l/time}
Asimilacion = IF(Limitacion_de_luz=0) THEN

(P_inorganico*P_en_plantas*Tasa_de_asimilacion
*(P_inorganico/(P_inorganico+Concentracion_P_en_plantas)))
ELSE(P_inorganico*P_en_plantas*Tasa_de_asimilacion*
(P_inorganico/(P_inorganico+Concentracion_P_en_plantas))*Limitac
ion_de_luz) {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)}
Disponibilidad_estacional_de_P = GRAPH(TIME) (0.00, 0.065), (1.02,

0.055), (2.04, 0.105), (3.06, 0.115), (4.08, -0.115), (5.10, -0.125),
(6.12, -0.01), (7.14, 0.225), (8.16, 0.33), (9.18, 0.36), (10.2, -0.05),
(11.2, -0.105), (12.2, 0.065), (13.3, 0.065), (14.3, 0.055), (15.3,
0.105), (16.3, 0.115), (17.3, -0.115), (18.4, -0.125), (19.4, -0.01),
(20.4, 0.225), (21.4, 0.33), (22.4, 0.36), (23.5, -0.05), (24.5, -0.105),
(25.5, 0.065), (26.5, 0.065), (27.6, 0.055), (28.6, 0.105), (29.6,
0.115), (30.6, -0.115), (31.6, -0.125), (32.7, -0.01), (33.7, 0.225),
(34.7, 0.33), (35.7, 0.36), (36.7, -0.05), (37.8, -0.105), (38.8, 0.065),
(39.8, 0.065), (40.8, 0.055), (41.8, 0.105), (42.9, 0.115), (43.9, -
0.115), (44.9, -0.125), (45.9, -0.01), (46.9, 0.225), (48.0, 0.33),
(49.0, 0.36), (50.0, -0.05)
IV. RESULTADOS
CASO N° 14: LOS MODELOS DE SIMULACIÓN EN LA
ADMINISTRACIÓN.

1 Fecha : …../..…/2016

LA URGENTE NECESIDAD EN LA TOMA DE DECISIONES
La importancia de estudiar e implementar un Modelo para la Toma de

decisiones se ha convertido en una necesidad para comprender y asimilar los
acelerados cambios en el contexto empresarial.
El desarrollo de la humanidad ha diseñado sus propios modelos que responden

a sus paradigmas. Los escenarios y la predicción del futuro fueron y serán
motivo de reflexión en la historia de la humanidad, los resultados de un
evento histórico son explicados por la relación de las variables y a esto se le
puede denominar el modelo de un evento.
Un modelo de simulación predice varios escenarios1, considera el

comportamiento de variables con el fin de analizar las posibles tendencias de
uno o varios sucesos, en la medida del acierto en el comportamiento de las
variables, se nota una menor incertidumbre. Las guerras, los ajustes sociales,
económicos, políticos, religiosos y el manejo de los conflictos en las
organizaciones, también responden a un modelo: si se logra entender,
entonces se podrá simular. Es así como las propuestas de la teoría
organizacional se analizan a la luz de la historia de acuerdo a la época y
condiciones de cada sociedad, de cada organización, y de la capacidad de
visión de las personas que sin proponérselo fueron o serán parte del modelo
cuando toman decisiones que se reflejan en los resultados .
El estudio de la administración explica a partir de los autores tradicionales de

la primera década del siglo xx, un modelo sustentado en el control y en la
supervisión. El poder y lo predecible eran las dos variables a manipular, los
cambios eran lentos, las organizaciones no requerían de un proceso de
planeación de largo plazo por la baja demanda de los productos, el control de
los inventarios no se consideraba importante.
Las primeras propuestas de modelos de inventarios orientados al control

aparecieron de manera formal en 1915 cuando Harris propone una ecuación
matemática para la determinación de un lote. En 1931 Raymond publica en su
obra Quantity and Economy in manufacture una metodología básica para
resolver problemas logísticos derivados de la guerra, pero hoy las
organizaciones que marcan la pauta en el proceso de gestión, como por
ejemplo Kodak, Procter and Gamble, Jhonson, entre las más vanguardistas de
la época asumen que el control de los inventarios si es un factor estratégico,
por lo que el análisis de las estructuras, de los procesos, además de un
sistema de control rígido son las preocupaciones para los administradores de
empresas2.
Una nueva ola de propuestas organizacionales, estudiaron el comportamiento

humano en las décadas de 1930 a 1960, descubrieron la estrecha relación de
la actividad humana y la efectividad de los procesos. A la fecha se investiga a
fondo el recurso humano para la productividad, la planeación se asume como
una actitud, las propuestas de simulación fueron consideradas en los procesos
de planeación, el enfoque de sistemas3 aportó conceptos que enlazaron la
teoría y las herramientas en la toma de decisiones dando pie a la investigación
de operaciones en la década de los 60â´s, con este enfoque, la evolución de
los modelos4 se incorpora en la toma de decisiones como una herramienta de
prospectiva disminuyendo la incertidumbre, y generando ventajas
competitivas para las empresas.
Los modelos de investigación de operaciones se incorporan a los procesos de

gestión como una alternativa estratégica a partir de la década de 1980, la
necesidad de desarrollar ventajas competitivas5 en una visión integral y
sistémica en un mercado competitivo propicia el desarrollo de pronósticos
financieros, de producción y de distribución para bajar los costos sin prejuicio
del cliente o de la calidad de los bienes y de lo â servicios.
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.
La velocidad de los cambios tecnológicos en las organizaciones reclama nueva

maneras de administrar, los modelos ofrecen la posibilidad de simular el
comportamiento de las variables numéricas, -- como por ejemplo las
tendencias de datos financieros --, un modelo que parece complejo, laborioso
y costoso, donde el desgaste de la administración para diseñarlo parece ser
una misión difícil, sin embargo, no es así, se puede adaptar alguno ya
existente en el mercado que puede resultar atractivo, aunque el fin de la
organización no es el de desarrollar modelo matemáticos, el costo - beneficio
de diseñarlo, mantenerlo y actualizarlo, además de distraer el potencial del
personal directivo, merece ser analizado, aunque un modelo es necesario y
valdría la pena contar con una “bolita de cristal”• que ayude a la toma de
decisiones.
Si la alta dirección diseña un modelo de simulación integral a partir de análisis

de tendencias de variables estratégicas de la empresa, donde la toma de
decisiones cumpla su objetivo de resolver problemas o restricciones a partir de
la visión y conciencia de los eventos de los mismos directivos, se genera
competitividad, esta dualidad: tomador de decisión y diseñador de
pronósticos, fomenta la evolución de la organización, se refleja en las
diferentes áreas y niveles de la empresa, ofrece desarrollo sustentable en la
organización por atender los factores críticos, permite evaluar y modificar los
procesos en beneficio del fin último de la administración en las organizaciones:
optimizar los recursos.
LOS BENEFICIOS DE UN MODELO SON:
Ventaja Competitiva
La generación de ventajas competitivas, éstas no se pueden adquirir, se

detectan, se fomentan en cada uno de los procesos, se reflejan en la toma de
decisiones oportuna, eficaz y eficiente de cada uno de los miembros de la
organización. El contar con un modelo financiero que simule el
comportamiento de las variables dependientes, mantendrá a la organización
que lo desarrolle en ventaja sobre de otras que no lo tenga.
El modelo se convierte en la plataforma mínima de desarrollo sustentable al

disminuir el riesgo, adelantarse a la competencia, pero sobre todo se justifica
al maximizar los recursos con un cliente satisfecho en los niveles de calidad y
servicio.
Pronostica la Situación Financiera
Un modelo puede simular el comportamiento financiero, mide el impacto de

las decisiones operativas que se reflejan en la tasa de retorno de la inversión
(ROI), predice el efecto de una decisión en el largo plazo, el azar tiene cabida
en función de efectos externos de un evento fuera de control de la empresa.
El control de los inventarios es un factor estratégico, alivia la liquidez, baja los

costos operativos, mejora los tiempos de respuesta para los clientes, es una
opción de bajo costo para mejorar las finanzas de las organizaciones.
Los costos de un modelo de inventarios son mínimos, los beneficios muchos, la

planeación y el control se someten a la dirección y no al revés donde la
dirección se pone atrás de los procesos de planeación, con altos costos
financieros, sobre todo el costo de oportunidad difícil de medir, pero que se
refleja en la competitividad de las organizaciones. Modelar o no modelar el
comportamiento de los inventarios, no es optativo, es una alternativa que si
una organización la realiza, abrirá la brecha de desarrollo directivo en relación
con otras que no accedan a esta alternativa logrando una ventaja competitiva
sustentable.
Seguridad
La alta dirección requiere de un proceso de planeación y control que sea

seguro, la incertidumbre es un factor negativo en la toma de decisiones, sin
embargo en menos o mayos grado está presente. Un modelo de simulación
ofrece la seguridad de saber dónde están, donde estarán y dónde estarían los
efectos de una decisión, las finanzas son el reflejo de la buena o mala toma de
decisiones de los directivos de una organización, modelar será una actividad
importante para los directivos, por la disminución del riesgo y la seguridad de
los accionistas. La seguridad del modelo dependerá del buen uso de la
información para cada variable, la simulación puede ser contraproducente si
los datos no son correctos o están viciados de buenas intenciones o de falsa
información. En suma: la seguridad del funcionamiento de un modelo depende
de información correcta, veraz y oportuna.
Estrategia
La estrategia por definición es un curso general de acción7, por lo tanto, no es

el buen funcionamiento del modelo lo que permite el buen funcionamiento de
la empresa, solo apoya la toma de decisiones, la estrategia es contar con un
modelo, las estrategias operativas dependen de cada área, de cada proceso, el
modelo recoge y procesa la información derivada de cada actividad, por lo que
el modelo es ajeno a las decisiones, pero refleja el efecto de las mismas.
II. CONSIGNAS
Luego de subrayar las ideas principales en la lectura anterior, construya un

organizador de conocimiento con las ideas fuerza
CASO N° 15: LOS MODELOS DE SIMULACIÓN. SUS APORTES A LAS
CIENCIAS SOCIALES.

1 Fecha : …../..…/2016

CIENCIAS SOCIALES Y SIMULACION
Desde Wilfredo Pareto, las ciencias sociales han utilizado el concepto de

sistema como un importante instrumento teórico para analizar un sinnúmero
de fenómenos sociales. Sin embargo, con las aportaciones de Ludwig von
Bertalanffy, así como las de Talcott Parsons, un número cada vez más elevado
de científicos sociales han adoptado definitivamente el vocablo, siendo un
factor decisivo para ello la enorme influencia que tuvieron éstos en el
pensamiento social desarrollado en las décadas sucesivas. Sin embargo, fue
con Niklas Luhmann que la Teoría General de Sistemas se erigió como una de
las vertientes epistémicas más representativas de los últimos años.
En términos generales, la Teoría General de Sistemas se postuló como un

instrumento de representación, aproximación y sistematización científica de la
realidad y, al mismo tiempo, como una orientación hacia una práctica para
formas de trabajo transdisciplinarias. A su vez, como paradigma científico, se
caracteriza por su perspectiva holista e integradora, en la cual lo importante
son las relaciones y los conjuntos que a partir de ellas emergen. En tanto
práctica, la teoría ofrece la posibilidad de la interrelación y comunicación entre
especialistas y especialidades, así como el diseño de modelos de explicación a
partir de la utilización de las nuevas técnicas computacionales.
Ahora bien, tomando como punto de partida lo anterior, en este escrito

examinamos y sometemos a evaluación los aportes y pertinencia de los
procesos de modelación sistémica dentro de la investigación social. Se
abordan desde una posición analítica los alcances y límites de un modelo en
particular, el Sugarscape. Por ser una vertiente metodológica emergente en el
ámbito de las ciencias sociales, fue interesante examinar cuáles han sido sus
contribuciones, así como las limitaciones inherentes a su aplicación.
1. ANTECEDENTES TEÓRICOS DE LOS MODELOS BASADOS EN AGENTES

Las primeras corrientes teóricas que abordaron los sistemas complejos
surgieron en la década de los cuarenta del siglo pasado. Los marcos
conceptuales surgidos de ellas se pueden ubicar en dos grandes segmentos:
los paradigmas globales de la complejidad y, por otro lado, la serie de
algoritmos que permiten modelizar procesos emergentes.2 Ambos se
manifestaron como principios reunidos alrededor del concepto de sistema,
siendo precisamente uno de sus postulados básicos la idea de que la
complejidad es una de sus características fundamentales. Actualmente, una
vez que han sido analizadas y discutidas a profundidad estas propuestas,
tenemos una percepción más clara de ellas, a partir de la cual se pueden
sintetizar sus argumentos centrales:
1) La cibernética propuesta por Norbert Wiener en los años cuarenta se

basa en los mecanismos de retroalimentación y control.3
2) La Teoría General de los Sistemas, propuesta por Ludwig von
Bertalanffy en la década de los cincuenta, pone el acento en la organización de
la estructura y la dinámica de los sistemas como un conjunto de componentes
y relaciones con propiedades distintas a las de sus componentes aislados.4
3) Las teorías de las estructuras disipativas formuladas por Prigogine en el
decenio de los sesenta, privilegian el estudio del desequilibrio, así como la
participación del individuo en este proceso.5
4) Y por último, la Teoría de Catástrofes, que deriva de las matemáticas,
pone especial atención en los procesos de ruptura y crisis. Estas ideas fueron
desarrolladas por René Thom a mediados de la década de los sesenta.6
En términos generales, todas las vertientes de pensamiento enumeradas

conciben la complejidad7 como la aparición de propiedades emergentes
provenientes de la interacción local de un número de componentes
determinado. El comportamiento complejo representa así una situación
intermedia entre un estado ordenado y otro totalmente desordenado. El
crecimiento de una ciudad, por ejemplo, obedece a causas transicionales entre
una distribución completamente aleatoria y otra caracterizada por una
estaticidad absoluta. Una gran cantidad de fenómenos sociales parecería
regirse por este frágil equilibrio entre el orden y el desorden.
No obstante, es necesario aclarar que la complejidad es un efecto del abordaje

aplicado a los objetos de estudio concebidos a partir de un modelo, no una
propiedad ontológica intrínseca de aquello que se analiza. Así pues, la
complejidad es un constructo teórico y el efecto circunscrito de una aplicación
modélica, pero también un dispositivo analítico de extraordinaria ubicuidad
epistemológica, ya que pretende dar cuenta de procesos y fenómenos
totalmente disímiles entre sí.8 De esta forma, la utilización del concepto desde
el punto de vista heurístico no implica que mediante sus reglas todo tipo de
conclusión sea válida, por el contrario, al aplicarlo, se puede incurrir en
muchos equívocos, pues se trata de una mera aproximación a ciertos
elementos de la realidad.
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.
Lo anterior incita a revisar cuáles son los significados epistemológicos de los

modelos basados en agentes, pues constituyen un nuevo tipo de pensamiento
que está cuestionando los cimientos del método científico tradicional. Esta
polémica está afectando a las ciencias sociales, las cuales se han enfrentado
desde hace mucho tiempo a dos formas de hacer ciencia, por cierto disímiles y
antagónicas entre sí. Por un lado están los que consideran que el método
hipotético deductivo es la mejor vía para acceder al conocimiento y, por otro,
aquellos que piensan que el método inductivo es el camino correcto para
establecer generalizaciones de carácter empírico a partir de las cuales
conocemos nuestro objeto de estudio.
De manera particular, el método deductivo es el que más se ha utilizado para

producir explicaciones y consideraciones causales de los fenómenos de
estudio, sin embargo, se necesita a su vez un conocimiento detallado de la
empírica de los objetos analizados, de tal forma que se puedan establecer las
consecuencias deducibles de los mismos. De este modo, si las hipótesis son
deductivas, la contrastación debe ser deductiva, y si son inductivas, ésta debe
ser del mismo tipo, o en otras palabras, la contrastación debe ser estadística.
En este tenor, para los especialistas en simulación, el diseño de modelos

basados en agentes representa una tercera vía de hacer ciencia, pues se ha
tomado a partir de ellos una posición intermedia entre los dos procedimientos
ya explicados. En general, son construcciones que el propio investigador
realiza estableciendo de antemano las reglas de conducta a investigar,
acercándolas al método deductivo, pero como modelo, no significa que tengan
valor de verdad absoluta, sino que son una evidencia más acerca de la validez
de las reglas establecidas por el investigador. Los modelos ofrecen una
descripción simplificada de la realidad; se utilizan para propósitos de
predicción y control, permitiendo mejorar la comprensión del comportamiento
de la realidad estudiada de una forma más efectiva que si se la observara
directamente.
2. EL SUGARSCAPE: UNA NUEVA PERSPECTIVA DE ANÁLISIS SOCIAL
El modelo de la complejidad que se toma como ejemplo es un diseño de

simulación con soporte computacional que intenta representar sistemas
basados en agentes, emulando procesos que se manifiestan en la realidad. Lo
anterior no quiere decir que se intente igualarlos o explicarlos a detalle, sino
más bien arrojar luz sobre el posible comportamiento de fenómenos que a
juicio del investigador puedan ser abordados desde una perspectiva compleja.
Se trata de una herramienta más que, con el conocimiento técnico suficiente y
la exploración adecuada, se puede erigir en un instrumento de valioso
provecho para las ciencias sociales en general, y de manera particular para la
sociología.
Los elementos que conforman un modelo basado en agentes son los

siguientes: los agentes en sí mismos, quienes poseen estados internos y
reglas de conducta; estos estados internos pueden ser fijos o cambiantes. Las
reglas de conducta pueden referirse a la interacción entre los agentes o entre
los agentes y el entorno, pues toda sociedad artificial posee alguna clase de
contexto que funciona como el medio en el que los agentes operan y con el
que interactúan. Y por último, las reglas, que se aplican a los agentes entre sí,
a la interacción de los agentes con el medio ambiente, y al propio entorno.9
Lo que acabamos de describir permite representar una gran variedad de

fenómenos sociales, limitados únicamente por la imaginación, con el necesario
rigor con el que debe contar un trabajo de esta naturaleza. Para la elaboración
de este tipo de modelos, las fuentes de datos empíricas no se hallan limitadas
a las de un solo tipo. De acuerdo con las necesidades del investigador, los
datos pueden ser cualitativos, cuantitativos o combinados, recolectados de
primera mano o de fuentes secundarias. Desde el punto de vista
epistemológico, la adecuación de la información empírica a la forma teórica
que subyace en la construcción del modelo, puede ser utilizada dinámicamente
en la implementación computacional de la sociedad artificial.
Nuestro propósito principal es tratar de destacar las posibilidades de las

aplicaciones de modelos basados en sociedades artificiales 10 para el estudio
de sociedades humanas reales. Para ofrecer una idea clara acerca de estos
modelos examinamos uno en particular, el modelo Sugarscape. Éste consiste
en una implementación computacional de un modelo basado en agentes,
orientado hacia las sociedades artificiales. El propósito fundamental del
sistema es poner a prueba distintos escenarios, vinculados con procesos que
tienen que ver con la ecología, la economía, la cultura, entre otros temas de
carácter social. La idea que sustenta al Sugarscape es que el comportamiento
de los individuos sigue reglas específicas, por lo que la sociedad concebida
macroestructuralmente debe mostrar ciertas propiedades particulares.11
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.
En el Sugarscape, la visión, el sexo y el metabolismo son genéticos. Los

agentes contienen atributos culturales más flexibles que son transmitidos
“verticalmente” de padres a hijos, pero luego cambian “horizontalmente”
mediante el contacto con otros agentes. Asimismo, las preferencias
económicas individuales están determinadas culturalmente y pueden cambiar
al mismo tiempo que los agentes se mueven y tropiezan con otros que poseen
otros gustos.13 Los agentes se rigen, además, por reglas de comportamiento
definidas. Por ejemplo: el movimiento se rige por lo que los agentes observan
a su alrededor; esto les permite encontrar el sitio más rico en azúcar, dirigirse
hasta él y comer lo más que puedan. Lo anterior pone en contacto a todos los
agentes del sistema, desarrollándose la interacción.
Además, existen normas que regulan el sexo, el combate, el comercio, la

transmisión de enfermedades, el intercambio cultural y la herencia. En
cualquier momento, los agentes, al interactuar, difieren sustancialmente entre
sí, debido en lo fundamental a la edad, la cultura, la riqueza, la visión, los
gustos económicos, la inmunocompetencia, entre otros factores. La vida social
se desenvuelve dentro de un ambiente que se erige en un recurso renovable,
el azúcar, que les gusta comer a los agentes y que metabolizan, pues la
necesitan para vivir. El ambiente puede tener contaminación, elemento que los
agentes producen como resultado directo de sus actividades de consumo.
Cada lugar del ambiente tiene reglas que gobiernan el crecimiento del recurso
y el transporte de la contaminación.
En un experimento típico de sociedad artificial, una población inicial de

agentes son colocados en un ambiente simulado: uno puede observar su
comportamiento, en una búsqueda por descubrir cómo los agentes van de una
autoorganización hacia patrones sociales reconocibles, como por ejemplo, la
formación de grupos culturales distintos, la emergencia de distribuciones de la
riqueza tergiversadas, o la aparición de centros de población. De este modo, el
carácter definitorio del modelo de una sociedad artificial es precisamente que
las estructuras sociales fundamentales y los comportamientos de grupos
emergen de la interacción de los agentes individuales operando en un terreno
artificial bajo normas internas.
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.
Así pues, cuando las técnicas y herramientas de los modelos basados en

agentes se aplican al análisis de procesos sociales es cuando nacen las
sociedades artificiales. Esta nueva perspectiva, inédita en las ciencias sociales,
permite observar de cierta forma la emergencia de fenómenos que a simple
vista resultan por demás difíciles de captar. Los comportamientos grupales, así
como las estructuras de carácter social representan parte de esa complejidad
que estudian los modelos en cuestión.
3. SU IMPACTO Y RELEVANCIA EN LAS CIENCIAS SOCIALES
Los modelos basados en sociedades artificiales pueden ser aplicados en una

gran cantidad de situaciones de carácter social desde diversos enfoques. Una
cuestión por demás interesante es que lo primordial en el caso del Sugarscape
es definir y examinar los atributos del sistema, ya que éstos son puestos en
juego a partir de la perspectiva que tenga el investigador. De igual
importancia es identificar las variables a desarrollar, pues son las que
permiten diseñar y programar una sociedad artificial. Esto requiere un
importante esfuerzo de sistematización cuantitativa y cualitativa que devenga
en un ejercicio de síntesis que permita acceder a los resultados esperados.
A su vez, se le ha definido como una herramienta metodológica con un

enorme potencial para la generación de investigaciones novedosas que
trasciendan los enfoques y visiones tradicionales vigentes, los cuales han
privilegiado el carácter formal e institucional de la ciencia.15 La propuesta
actual considera que mediante este recurso de simulación, el investigador
construye su propio modelo con el que puede percibir determinados
segmentos de la realidad sociocultural.16 Todo depende de la creatividad que
muestre el investigador con respecto a la manera en que ponga en juego los
elementos necesarios para acercarnos a un conocimiento más adecuado de la
sociedad estudiada.
Lo anterior significa no sólo la presencia de un nuevo enfoque, sino la

emergencia de un discurso que pretende renovar las reglas y consideraciones
fácticas sobre las que se ha venido sustentando el quehacer de las ciencias
sociales y, en particular, de las ciencias del comportamiento. No obstante, su
incidencia aún es baja, puesto que las características del enfoque limitan su
adopción, ya que se considera que es una herramienta propia de las ciencias
naturales o exactas, y que el campo específico de éstas no corresponde con
las actividades que realiza el científico social, motivo suficiente para dudar de
su pertinencia y viabilidad.
Además, un argumento adicional que ha mellado sus posibilidades

metodológicas y epistémicas está presente en el presupuesto de que las
ciencias sociales trabajan con conductas, representaciones y acciones
humanas, por lo que es muy difícil predecir cabalmente los comportamientos
mediatizados por la subjetividad de los individuos. A ello habría que agregar
que los valores, las reglas y en general el sistema normativo no son asumidos
e internalizados de manera pasiva, dando origen con ello a manifestaciones y
comportamientos humanos esencialmente distintos en un mismo contexto
sociocultural con reglas bien definidas. Por tal motivo, la simulación se ha
tomado con recelo y desconfianza por un sector de académicos de las ciencias
sociales.
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.
Lo anterior no significa que estemos afirmando que la simulación sea una

panacea para las ciencias sociales. Más bien lo que se sugiere es que
evaluemos la posibilidad de que esta herramienta teórico-conceptual
represente una alternativa que coadyuve al desentrañamiento de fenómenos
sociales proclives a ser analizados desde una perspectiva distinta a la que
tradicionalmente utilizan éstas. Tal procedimiento dependerá del investigador
y de la delimitación del objeto de estudio a investigar.
Así pues, el impacto es cada día mayor, debido en lo fundamental a la

disolución de las fronteras epistémicas y, por el otro, al auge que han
alcanzado los programas especializados en simulación. Tal situación evidencia
que el avance progresivo de la ciencia y la tecnología posibilita la generación
de nuevos prototipos de investigación que han venido a enriquecer los
métodos tradicionales de hacer ciencia. En consecuencia, las ciencias sociales
han convertido esos conocimientos en oportunidades para ampliar y
perfeccionar su núcleo epistémico general sin modificar su cometido original. A
pesar de ello, no debemos perder de vista que el análisis cualitativo sigue
siendo muy importante en la conducción de toda investigación social.
CONCLUSIONES
En términos generales, los modelos basados en agentes se han propuesto

como una nueva alternativa dentro de la investigación social. Esto está
abriendo la posibilidad de que las ciencias sociales incluyan la experimentación
como una fórmula adicional para generar nuevos desarrollos teóricos que
faciliten el entendimiento de problemáticas sociales específicas. Si bien dicho
procedimiento no es como el de un laboratorio, sí permite de cierto modo la
manipulación de un número determinado de variables en el proceso de
simulación. Permite ensayar y predecir las probables pautas de
comportamiento que desarrollan individuos y su repercusión en ciertos
segmentos de la realidad social.
Asimismo, su incidencia para el análisis de factores económicos, desarrollo

sustentable y problemas de medio ambiente es por demás sugerente, de allí
que se esté utilizando ya para tratar de predecir los impactos de sistemas que
funcionan a partir de reglas simples, pero que generan patrones complejos
difíciles de estudiar por parte de las ciencias sociales. Es en casos como éstos
donde los modelos pueden constituirse en alternativas viables para el analista
social, tomando en consideración, por supuesto, que los resultados que arroje
no son definitivos, por lo que deben ser sometidos a contrastación.
Los nuevos discursos que ponen el acento en la transdisciplinariedad enfatizan

el hecho de que es a partir de estas ideas que los desarrollos epistémicos
actuales y futuros pueden posibilitar la emergencia de recursos alternativos
con los cuales se modifique la percepción ortodoxa que sostiene que el método
científico heredado de la tradición positivista es la única forma viable para
acceder al conocimiento. De tal modo que las ciencias sociales no están
exentas de este debate, por lo que tienen que incorporarlo y a su vez generar
sus propias alternativas de conocimiento, retomando los aportes de otras
disciplinas, pero también resignificando sus postulados básicos. De esta forma
estarán en condiciones de acrecentar sus posibilidades epistémicas frente a
una variedad de fenómenos cada vez más heterogéneos y complejos, los
cuales demandan sobre todo la utilización de recursos que hasta hace algunos
años eran patrimonio exclusivo de las ciencias duras.
REFERENCIAS
1 Niklas Luhmann fue profesor de sociología en la Universidad de Bielefeld,

Alemania. Elaboró una teoría con pretensiones de universalidad y que
demanda su aplicación para todo fenómeno social. Su variedad conceptual
permite dar cuenta de los fenómenos sociales de una manera novedosa, lo
que facilita el diálogo interdisciplinario al incluir elementos de otras áreas del
saber, como la cibernética, la biología o las matemáticas. Luhmann N.
Sistemas sociales: lineamientos para una teoría general, Editorial Anthropos,
Madrid (1995) 35-90.
2 Estos métodos, materializados generalmente en modelos de simulación
utilizados para describir fenómenos acotados, se fueron desarrollando de
manera pausada para luego estallar en la década de los noventa. Hoy son
dominantes dentro del campo de las teorías de la complejidad y están siendo
considerados al mismo tiempo como una herramienta para las ciencias
sociales. Reynoso C. “Teorías y métodos de la complejidad y el caos: una
exploración antropológica”, Teorías antropológicas contemporáneas, Editorial
Biblos, Buenos Aires (1998) 28-49.
3 Weiner N. Cibernética, Tusquets, Barcelona, (1985) 33-64
4 Bertalanffy L. Teoría General de los Sistemas, FCE, México (1976) 40-110.
5 Prigogine, I. La estructura de lo complejo, Madrid, Alianza Editorial, (1997)

60-95.
6 Thom R. Paraboles et Catastrophes, Flammarion, París (1983) 30-50 .
7 Se concibe la complejidad no como una mera sumatoria de variables. Esta

noción, muy extendida en las ciencias sociales clásicas, no se ajusta ni al
comportamiento ni a la ontología de tales sistemas, que pueden surgir de la
interacción de muy pocas variables. De hecho, y en su versión más rica, el
estudio de la complejidad puede partir de sistemas muy sencillos. Se asume
entonces que el comportamiento complejo obedece a causas que pueden ser
muy simples en su estructura interna. Se refiere, además, a propiedades
emergentes que resultan de la interacción entre los elementos del sistema.
8 Reynoso C. Op.cit., 32-34.
9 Axtell R y Eptein J. Growing Artificial Societies: Science from the Bottom Up,
DC Brookings Institution Press (1996) 58-93.
10 La sociedad artificial es un modelo de simulación computacional que

consiste en una población de agentes autónomos y un ambiente separado en
el que estos agentes habitan. Los agentes son “ciberpersonas” de las
sociedades artificiales. Cada agente tiene atributos genéticos que han sido
heredados y fijados de por vida. Terna P. Creating Artificial Worlds: A Note on
Sugarscape and Two Comments. Journal of Artificial Societies and Social
Simulation 4, año II, 6-32
11 Terna P. Op.cit., 10-12.
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
Lea la lectura anterior y construya un organizador de conocimiento con

las ideas principales del artículo. Participe en el debate moderado por el
docente.
CASO N° 16: SIMULACION EN ELECTRICIDAD Y ELECTRÓNICA.

1 Fecha : …../..…/2016

BANCO DE CIRCUITOS PARA CONSTRUIR EN EL SIMULADOR DE

CIRCUITOS.
II. CONSIGNAS
Implemente los circuitos utilizando el software de simulación, esté atento a las
indicaciones del docente.
CASO N° 17: SIMULACIÓN .EN INGENIERÍA INDUSTRIAL Y
MECÁNICA.

1 Fecha : …../..…/2016

PLANIFICACIÓN DEL DISEÑO CAD
Paso 0. Requerimiento de diseño de una pieza real. Un conector de tuberia

a30º.
Paso 1. La introducción de un valor de cota se bloqueará en ese valor.

Paso 2. La adición de valores en las dimensiones crea el diseño paramétrico.
Paso 3. Si no se especifican dimensiones el simulador asume valores por

defecto.
Paso 4. El trazado inicial está finalizado.

Paso 5. Usando el simulador, se puede visualizar las rectricciones del boceto.
Paso 6. El croquis completamente restringido.
Paso 7. Alargando la flecha de dirección se incrementa el extruido de la pieza.

Paso 8. Aplicación de fileteos en las esquinas del objeto en 3D.
Paso 9. Reinserción de geometrías sobre el boceto base.
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.
Paso 12. Adición de nuevas geometrías a los arcos tangentes.
Paso 13. Agregado de un rectangulo de tres puntos a la línea final.

Paso 14. Adición de un diámetro lineal.
Paso 15. Creación de la superficie de revolución.
Paso 16. Sólido de revolución finalizado.

Paso 17.Creación de la estructura base para la extrusión del tubo interno.
Paso 18. Creación de la tubería de contacto, uniendo ambos sólidos.
Paso 19. Pieza sin perforaciones.

Paso 20. Adición de perforaciones en la base a través de un patrón.
Paso 21. Adición de perforaciones en la tapa a través de un patrón circular.
Paso 22. Aplicación de fileteos a modo de soldadura de costura.

Paso 23. Aplicación de redondeos de bordes.
Paso 24. Aplicación de chamfer para la posición de empaquetaduras.
Paso 25. Aplicación de un segundo chamfer para la posición de

empaquetaduras
II. CONSIGNAS
Utilizando el software de simulación Autodesk Inventor, siga las instrucciones

del docente, de modo de concluir una pieza mecánica.
III. RESULTADOS
Proyecto finalizado.
REFERENCIAS BIBLIOGRÁFICAS, ENLACES Y DIRECCIONES
ELECTRONICAS
BASICA
 SOKOLOWSKI John A. Principies of Modeling and Simulation A multidisciplinary

Approach Wiley and Sons Inc Publication Hoboken New Jersey 2009
 THOMPSON James R. Simulation A Modelers Approach Wiley Interscience
Publication New York U.S.A. 2009
COMPLEMENTARIA
 COSS BU Raúl. Simulación Un Enfoque Práctico. México D.F.: EDITORIAL

LIMUSA S.A., 2003.
 GARCÍA Francisco Simulación de Sistemas. México D.F.: Compañia Editorial
Continental S. A. CECSA 2005
 CREUS, Antonio. Simulación y Control de Procesos por Ordenador. 2a ed.
México: Alfa Omega, 2008.
 GILBERT Nigel. Simulación para las Ciencias Sociales España: McGraw-Hill,
2006.
 KELTON, David. Simulación con Arena 41 ed. México: McGraw-Hill, 2008.
 PAZOS ARIAS, José. Teoría de Colas y Simulación de Eventos Discretos.
Madrid: Pearson Educación, 2003.
 FIERA, Miguel. Modelado y Simulación. Madrid: Ediciones UPC, 2003.
 RÍOS, David. Simulación Métodos y Aplicaciones 2' ed. Madrid: Alfaomega Ra-
Ma, 2008.
ENLACES Y DIRECCIONES ELECTRÓNICAS

(Consultar: Websites de simulacion por computadora)
www.unamerida.com/archivospdf/337%20Lectura7.1.pdf
elec.itmorelia.edu.mx/05%20CAP04.pdf
http://www.intraperu.com/contenido.php?cont=6
http://ingenieria.udea.edu.co/CURSOS/DOCUM/INVESTIGACIONTEORICA.doc
http://www.econ.unicen.edu.ar/attachments/1051_TecnicasIISimulacion.pdf
http://2006-
2012.conacyt.gob.mx/Becas/feria/Documents/Simulacion_Computacional.pdf
http://www.rcim.sld.cu/revista_18/articulos_pdf/simulacioncomputarizada.pdf
http://www.unamerida.com/archivospdf/337%20Lectura7.1.pdf

Material Estudiante Simulacion 2017

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Material Estudiante Simulacion 2017

Загружено:

Авторское право:

Доступные форматы

Calidad que se acredita internacionalmente

Material publicado con fines de estudio

En el mundo actual, tanto en el área de los negocios, como en la industria y el

Estos proyectos complejos requieren estudios previos a su construcción o modificación,

El conjunto de alternativas que se definen para su ensayo constituye la estrategia de la

En esta breve introducción se destacan tres conceptos fundamentales, que constituyen

Guillermo Elías Jaramillo Cabrera.

Sección : …………………………..………………………... Apellidos : ……………………………..………………………….

INSTRUCCIONES: Lea atentamente los casos o lecturas presentadas. Según sea l

Un sistema es un grupo de componentes que interactúan, interrelacionados o

Un sistema, es un conjunto de dos o más elementos interrelacionados de

Dentro de los sistemas naturales tenemos el cuerpo de un ser viviente, las

Ejemplos: Si un coche se descompone, el impacto de este evento no va más

Características esenciales de los sistemas

Los sistemas tienen propósitos específicos dentro de un sistema mayor. Todos

Los sistemas mantienen su estabilidad por medio de fluctuaciones y ajustes.

Los sistemas tienen realimentación (retroalimentación). Un sistema posee

Como puntos adicionales a las características ya mencionadas podemos

 Componentes tangibles: Las partes que componen un automóvil (Puertas,

Los sistemas tienen dos componentes principales:

a. De acuerdo a su nivel jerárquico, se pueden identificar a los elementos que

Los sistemas podemos clasificarlos de acuerdo a:

 Un sistema abierto, es un sistema en continuo intercambio de materia, energía

Por su cambio a través del tiempo:

Por el grado de interdependencia que tengan:

Por la influencia de la salida en la entrada del sistema:

 Un sistema abierto está caracterizado por salidas que responden a las

Los sistemas se construyen en base a estructuras que dejan evidencia de su

La importancia de entender la estructura de un sistema radica en que es la

Solo se puede reaccionar a un evento nuevo en lugar de anticiparlo y darle

Es aquí donde está el poder del pensamiento a nivel de estructuras: las

CONCEPTOS BÁSICOS DEL PENSAMIENTO SISTÉMICO.

El pensamiento sistémico ofrece una serie de herramientas y un marco de

Principios del pensamiento sistémico

En general, el pensamiento de los sistemas es caracterizado por estos

El pensamiento sistémico como un lenguaje especial

El pensamiento sistémico ofrece una manera diferente de comunicación sobre

 Se enfatiza el observar los “todos” en lugar de las partes y enfatiza el papel de

Responda el siguiente cuestionario:

2. Si nos referimos a un sistema como un número infinito de conexiones

a. Sistemas de actividad humana

3. Regeneración es lo mismo que:

a. Transmisión y retorno de información.

4. Si afirmamos que al dividir un ser vivo en dos pedazos no obtenemos

a. Los sistemas mantienen su estabilidad.

5. Son componentes tangibles de los sistemas como: ____________ e

a. Procesos, flujos de información.

6. Si un sistema va modificando sus características respecto del tiempo,

7. Si nos referimos a sacar un evento específico y concentrarnos en

a. Al foco de atención de un patrón.

8. Si nos movemos del nivel de eventos al nivel de pensamiento de

a. Aumenta nuestra visión sistémica de la interrelación del

9. Los valores y creencias influyen en el pensamiento sistémico:

a. Refuerzan los aspectos éticos del análisis.

10. Si decimos que: Al abrir una ventana nueva a nuestros esquemas

a. Al modelamiento de sistemas como fuente de análisis de

Sección : …………………………..………………………... Apellidos : ……………………………..………………………….

INSTRUCCIONES: Lea atentamente los casos o lecturas presentadas. Según sea l

RESOLUCION E INTERPRETACIÓN DE GRAFICAS

1.- La siguiente gráfica describe la variación del ruido de una moto:

a) ¿Cuánto tiempo ha durado el ruido de la moto? ¿Cuál ha sido la intensidad máxima?

a) ¿Cuánto tiempo ha durado su viaje?

a) ¿A cuántos km estaba el lugar que visitaron?

5.- Se va a organizar una excursión y el precio por