Академический Документы
Профессиональный Документы
Культура Документы
Por
Carlos Gershenson García2
Introducción
El pensamiento científico se enfoca en practicar cómo podemos usar la ciencia para tomar
mejores decisiones en nuestra vida cotidiana. Pero ¿qué es el pensamiento sistémico? A grandes
rasgos es pensar en términos de sistemas. La palabra sistema viene del griego Σύστημα que quiere
decir un todo compuesto por partes. Por ejemplo, puede decirse que una ciudad es un sistema
porque está compuesta por edificios, calles, vehículos, animales, árboles, habitantes y muchos otros
componentes. Una persona también puede describirse como un sistema ya que está compuesta de
células. Las células a su vez también pueden describirse como sistemas ya que están compuestas
de moléculas, las cuales están compuestas de átomos, los cuales están compuestos de partículas
subatómicas. El pensamiento sistémico nos permite entender a los fenómenos que nos rodean en
términos de sistemas. Esto facilita no solo comprender qué componentes conforman a un sistema
sino cómo es que se relacionan para generar a las propiedades del sistema. Mientras más
conozcamos, mientras mejor podamos describir a los fenómenos que nos rodean podremos tomar
mejores decisiones y evitar decisiones que nos puedan perjudicar.
La vida necesita tanto de cambio como estabilidad por lo que requiere tanto de amor como
odio. Las ideas de Empédocles fueron desarrolladas después entre otros, por Demócrito, quien
postuló que los cuatro elementos básicos, estas cuatro raíces, estaban compuestas por átomos. Un
átomo quiere decir algo que no es divisible. La medicina griega también se vio influida, ya que,
veía una enfermedad como un desbalance de los elementos. Pero los griegos no fueron los únicos
en pensar en sistemas, ideas similares fueron desarrolladas en otras culturas. Por ejemplo, desde
1
Universidad Nacional Autónoma de México (2019). Curso en Pensamiento Sistémico. Instructor: Carlos Gershenson. En
https://www.coursera.org/learn/pensamiento-sistemico?action=enroll
2
Investigador del Instituto en investigaciones en matemáticas aplicadas y en sistemas de la Universidad Nacional Autónoma de
México
1
hace más de 3000 años en la mayoría de las escuelas filosóficas de la India se maneja el concepto
del karma. Y el karma es una relación de causa - efecto entre lo que hemos hecho y lo que haremos.
En otras palabras, todo lo que sucedió en el pasado tendrá una implicación en el futuro. El
karma implica que todo está relacionado que nada existe por sí solo. Y esto lo podemos describir y
entender mejor desde el pensamiento sistémico. Algunos conceptos de las filosofías de la India
tienen sus raíces en la analogía, la cual busca relaciones entre conceptos. Podríamos pensar que la
analogía es un proceso que se ha hecho desde hace miles de años ya que los niños muy pequeños,
si algunos animales de otras especies son capaces de hacer analogías simples.
En otra cultura antigua, en la China, Zou Yan formalizó el concepto de yin y yang en el
siglo tres antes de Cristo. Los conceptos de yin y yang tienen que ver con opuestos que se
complementan para lograr un balance. Como oscuro-luminoso, frío-cálido, femenino-masculino,
negativo-positivo. Y también se busca lograr un balance entre cinco elementos básicos que son
madera, fuego, tierra, metal y agua. Estos conceptos se desarrollaron en los siglos siguientes y
forman parte de las ideas centrales del taoísmo.
Podemos decir que estos conceptos forman un sistema ya que tratan de describir distintos
fenómenos en términos de sus componentes. Aunque muchos conceptos relacionados con sistemas
se han manejado en filosofía desde la antigüedad es solo recientemente que se han incorporado en
la ciencia. Durante y después de la revolución industrial fue necesario construir máquinas
compuestas por una cantidad grande de componentes. Pero no fue hasta mediados del siglo XX
que se desarrolló la teoría general de sistemas.
La historia es cruel, ya que, escoge una mínima parte de los sucesos relevantes para la
humanidad ya sea por azar, o por intereses particulares, y esos son los que conserva. La mayoría
de los sucesos quedan en el olvido, y si nos llega al presente alguna anécdota asociada algún
hombre es una fortuna. Tal es el caso del enciclopedista, el barón de Holbach, que vivió a fines del
siglo XVIII, en Francia. O también de los sociólogos que aparecieron a principios del siglo XX,
quienes entre otros muchos propusieron ideas similares o relacionadas con los sistemas. Sin
embargo, no perduraron lo suficiente como para tener un impacto en la actualidad.
El concepto que prevalece hoy en día sobre sistema nos viene de Ludwig Von Bertalanffy,
quien propuso la teoría general de sistemas a mediados del siglo XX. Von Bertalanffy propuso
estudiar los fenómenos no tanto en término de qué componentes los constituyen, sino más bien en
cuál es su estructura. En paralelo a Von Bertalanffy el matemático estadounidense Norbert Wiener
en colaboración con el mexicano Arturo Rosenblueth acuñaron el concepto de cibernética, la cual
es el estudio científico del control y comunicación tanto en animales como en máquinas.
Pongamos que tenemos un muy buen amigo que se llama Juan al cual conocemos desde
hace muchos años. Un buen día Juan conoce a María, se enamoran y algunos meses después se
casan. Podríamos conocer perfectamente a Juan. Digamos que conocemos las leyes que lo rigen.
Sin embargo, no podremos explicarnos por qué de repente empieza a vestirse de manera diferente,
a hablar de manera diferente, a escuchar música diferente, y hasta a bañarse más seguido. Es obvio
que el cambio de Juan se debe a su interacción con María. Pero, aunque conozcamos perfectamente
tanto a Juan como a María no podemos predecir cómo van a interactuar hasta que lo hagan.
Pongamos que pasan algunos años y ya conocemos perfectamente el comportamiento tanto de Juan
como de María y la manera en la que interactúan. Ahora tienen un bebé que se llama Pepito y
notamos que otra vez cambia su comportamiento. Veremos que la llegada de Pepito no solo genera
interacciones nuevas con sus padres, sino que también altera las interacciones que Juan y María ya
tenían. En otras palabras, las acciones de uno ya no van a tener el mismo efecto en el otro. Ahora
3
imagina si es tan complicado describir el comportamiento de tres personas y cómo interactúan,
¿cómo podremos describir una ciudad, una sociedad, una economía global? Aunque se conozca
perfectamente el funcionamiento de un fenómeno, como en el caso hipotético de Juan, no podremos
predecir completamente el futuro debido a las interacciones relevantes. Pero bueno, el estudio de
los sistemas complejos hace más que simplemente indicar cuáles son los límites de la ciencia
tradicional. Lo que está haciendo es que nos permite estudiar fenómenos en todas las disciplinas a
los cuales antes no se tenía acceso. Pero podemos decir que una buena parte de los avances de la
ciencia de frontera, usan conceptos que han tenido sus orígenes en el estudio científico de los
sistemas complejos.
Esto es lo que hacen constantemente los sistemas vivos, por lo que se han propuesto muchas
soluciones biomiméticas, esto quiere decir que toman inspiración en la naturaleza para adoptar a
los sistemas artificiales de las propiedades de adaptación de los sistemas vivos. Por ejemplo, el
tráfico de una ciudad se beneficiaría de una regulación similar a una parada de aves ya que estas se
adaptan constantemente a cambios en su entorno. Una regulación rígida tratará de predecir lo que
es imprevisible, por lo tanto, su solución será inadecuada.
4
Otra implicación de las interacciones es que nos alejan del materialismo, el cual considera
que lo único real en nuestro mundo es la materia energía. También lo cual justifica se ignoren las
interacciones, las cuales no se consideran reales. Sin embargo, hay muchos casos donde las
interacciones tienen efectos causales sobre la materia energía, y si las interacciones tienen efectos
causales sobre la materia energía entonces podemos decir que son tan reales como ellos. Por
ejemplo, la materia energía con las cual están construidas y está funcionado la computadora que
están usando en estos momentos no estarían en el mismo lugar en el universo que están ahora, si
no fuese gracias a las interacciones sociales, con las cuales se han definido idiomas, se han
discutido ideas, se han construido máquinas y producido un curso masivo en línea.
La física es muy relevante pero no es suficiente para describir todo esto. Las interacciones
al limitar la predicción también implican cierta novedad, ya que las interacciones generan
información nueva. Y esta información nueva nos dice que el futuro no está predeterminado. Esto
tiene implicaciones morales ya que, al no estar predeterminado el futuro, en parte está determinado
por las decisiones actuales que tomemos. Esto obviamente nos genera cierta responsabilidad, pero
también la novedad nos puede dar un significado a nuestras vidas porque al no estar predeterminado
el futuro ese significado se lo damos constantemente. Estamos viviendo una transición en la ciencia
del reduccionismo al holismo, donde el pensamiento sistémico es esencial. Esto se debe en gran
medida a la capacidad de modelar sistemas complejos.
2.1 Sistemas
Veremos algunos conceptos relevantes que nos ayudarán a describir fenómenos en términos
de sistemas. Como ya hemos mencionado, un sistema es una colección de objetos interactuando.
También podemos describir a los elementos como sistemas, los cuales serían subsistemas en
relación al sistema original. Si un sistema se relaciona con otros sistemas, este podría considerarse
un metasistema. Podemos cientificar a los niveles en los cuales describimos los sistemas como
escalas, el número de escalas que serán útiles dependerán de nuestro propósito. Pero por lo menos
cuando describimos un sistema son necesarias dos escalas, la de los elementos o bien micro y la
del sistema o bien nivel macro.
Los elementos a una escala pueden agruparse en módulos, los cuales pueden ser
considerados como escalas intermedias, o bien niveles meso. Los sistemas pueden ser descritos no
solo en términos de sus componentes o subsistemas. También pueden describirse en términos de
sus propiedades agrupadas en aspecto de sistema. Veamos un ejemplo, podemos considerar a una
hormiga como un sistema, ya que está compuesta por células. Estas células también pueden
considerarse como subsistemas porque están compuestas de molécula. A otra escala las hormigas
pueden relacionarse con otras hormigas, entonces podemos describir un metasistema, la colonia.
En esta descripción hemos identificado cuatro escalas, la molecular, la celular, la individual y la
social. También podemos identificar módulos entre estas escalas. Por ejemplo, entre la molecular
y la celular podemos identificar organelos, entre la celular y la individual podemos identificar
órganos o bien, partes anatómicas como cabeza, tórax, abdomen, patas, antenas. Entre la individual
y la social podemos identificar grupos de hormigas, por ejemplo, soldado u obreras o larvas. En
este ejemplo, también podemos identificar aspectos del sistema. Cada hormiga tiene niveles de
5
actividad o reservas de energía los cuales podemos relacionar con los niveles de actividad y la
reservas, ya sea de la colonia o de las células que lo componen.
Hay que notar que en muchos casos la variedad de un sistema está determinada por todas
las combinaciones posibles de los estados de los elementos de un sistema. Por lo tanto, esta
variedad crece exponencialmente con el número de elementos o variables de un sistema. Esta
variedad puede medirse en términos de información. Por ahora veamos un ejemplo. En grupo
sociales de humanos, hace miles de años podríamos decir que un solo líder podía controlar un grupo
social, digamos a una tribu, ya que los grupos paleolíticos tenían una complejidad muy baja. Por
lo tanto, el líder podía decirle únicamente a cada individuo del grupo qué era lo que tenía que hacer
para asegurar la supervivencia del grupo. Con el desarrollo de la agricultura, se empezaron a formar
ciudades. Una sola persona ya no podía decirle a todos los ciudadanos qué era lo que tenían que
hacer para asegurar la supervivencia de la ciudad. Sin embargo, sí podía decirle a varios líderes
qué era lo que tenían que hacer para que los líderes controlaran a distintos grupos de la población
o bien aspectos de la ciudad. Esto es una jerarquía. Sin embargo, en años recientes en parte debido
a las tecnologías de información y telecomunicaciones y, también, a la globalización, la variedad
de nuestras sociedades se ha ido incrementando, por lo que las jerarquías ya no son adecuadas
controlar a distintos grupos sociales. Esto es debido a que las sociedades no solo incrementan su
variedad, sino que están cambiando a pasos acelerados. Como alternativa el control social en
muchos casos se ha ido distribuyendo. En lugar de tener un líder y muchos seguidores a varias
escalas, se ha ido pasando de una jerarquía a una red, donde hay muchos líderes en cada escala que
se especializan en distintos aspectos y están relacionados entre sí. Por ejemplo, el colapso de la
unión soviética se debió en parte a que la jerarquía no pudo enfrentar la variedad requerida de los
cambios tanto internos como externos, para que su economía pudiese adaptarse. No es que las
economías actuales no tengan sus problemas, pero estas sí han podido adaptarse a distintos cambios
6
en sus mercados tanto internos como externos gracias a la regulación tanto nacional como
internacional y al liderazgo de múltiples actores a distintas escalas.
2.2 Redes
Sin embargo, dicho sistema también cambiará si los nodos no cambian, pero sus ligas sí lo
hacen. Podemos representar a todo sistema como una red, esto es posible porque las redes nos
ayudan a representar tanto elementos como interacciones. Por ejemplo, en ecología podemos
representar qué especies se alimentan de cuales con una red trófica. Cada nodo representa una
especie y cada liga en este caso dirigida usando flechas nos dice quién se come a quién. Esto nos
permite evaluar qué pasaría si quitamos una especie o también si quitamos otra que entra en
competencia con algunas de las ya existentes. Se puede ver que como hay especies más robustas
que otras, a estas les afectaría poco si una especie de la cual se alimentan desaparece. Pero si
tenemos que una especie se alimenta solo de otra especie y esta se extingue, entonces esta también
desaparecerá lo cual puede desencadenar a escalas de extinción. Las especies que están en posición
de desencadenar una cascada se les llama especies clave ya que, aunque tal vez solo afecten solo a
dos o tres especies, estas dos o tres especies pueden afectar a muchas otras con lo cual se puede
generar una catástrofe.
Al analizar una red trófica no solo podemos identificar qué especies son más robustas o
relevantes, o frágiles, también podemos comparar distintas redes tróficas para ver cuáles son más
robustas o vienen más frágiles. Normalmente las redes tróficas con mayor diversidad son más
robustas ya que al tener muchas especies en nichos similares es menos probable que una extinción
se propague por toda la red.
Podemos usar las redes para estudiar la estructura u organización de distintos sistemas,
podemos estudiar la organización de una sociedad considerando a sus individuos como elementos
o nodos y a sus relaciones como interacciones o ligas. Al movernos de escala módulos pueden ser
representados también por nodos los cuales tendrán ligas en su propia escala. De esta manera
podemos observar la estructura de un sistema a escalas múltiples. También podemos usar las redes
para representar la función de los sistemas. En este caso los nodos pueden representar estados y las
ligas las transiciones entre estos estados.
Las redes nos ayudan a representar las estructuras de los sistemas. Pero también es
interesante estudiar como es que estos cambias en el tiempo para describir su dinámica y posibles
retroalimentaciones. La dinámica es el cambio en el tiempo. Podría ser interesante estudiar un
sistema en un instante, sin embargo, hay pocos sistemas que son estáticos, es decir que no sufren
cambios. La dinámica puede representarse con otra red diferente a la estructural. Sin embargo, no
es la única manera de representar la dinámica, ya que el espacio de estados tiende a crecer
exponencialmente con el número de variables, en muchas situaciones es difícil visualizar esta red
de estado. Otra manera de visualizar la dinámica es simplemente viendo cómo va cambiando el
estado en el tiempo como se hace en un vídeo.
La dinámica también puede estudiarse a escalas múltiples, ya que en algunos sistemas los
cambios relevantes ocurren a escalas de segundos y en otros, a escalas de años. También hay
sistemas donde hay cambios relevantes a escalas múltiples. Por ejemplo, los cambios que se dan
en nuestro cuerpo son a escalas múltiples, nuestras neuronas disparan a escalas de milisegundos,
nuestro corazón late o respiramos a escalas de segundos, digerimos comida y dormimos en escalas
de horas, nuestros tejidos se regeneran en escalas de días y crecemos y envejecemos en escalas de
años. Simplemente el aprendizaje puede darse ya sea en escalas de segundos o también en escalas
de años.
La retroalimentación positiva puede generar una reacción en cadena, pero también existe la
retroalimentación negativa, la cual tiende a minimizar la propagación de los cambios. Tomando
otro ejemplo social, también imitamos la formación de opiniones. Supongamos que tenemos que
elegir entre dos opciones, ir a la huelga o no. Hay gente que nunca va a cambiar de opinión, pero
otros que sí y su decisión dependerá en muchos casos de lo que opine la mayoría de las personas
8
con las que esté en contacto. Entonces, si, por ejemplo, yo estoy a favor de ir a la huelga y las
personas que están a mi alrededor con las cuales yo tengo contacto también están a favor, será más
difícil que yo cambie mi opinión. Esta retroalimentación negativa reduce las probabilidades de que
a la larga haya un cambio en mi opinión. La retroalimentación negativa tiende a estabilizar la
dinámica ya que inhibe los cambios, por el contrario, la retroalimentación positiva promueve los
cambios. Dependiendo de nuestro propósito podríamos preferir la retroalimentación negativa o
positiva o combinaciones de ambas.
Intuitivamente podemos decir que un sistema es frágil si un pequeño cambio genera un gran
cambio en el sistema. Por otra parte, podemos decir que un sistema es robusto si el sistema puede
resistir grandes cambios preservando su funcionalidad. Por ejemplo, si construimos una torre con
cubos habrá unas estructuras más frágiles o robustas que otras, las cuales resistirán distintos tipos
de perturbaciones ya sean empujando la torre o quitando alguna pieza. Una torre frágil se caería
con un ligero movimiento o quitando cualquier pieza. Por el contrario, si una torre es robusta
necesitaría más fuerza para caerse, tal vez no totalmente. Además de que tendrá que quitarse varias
piezas antes de que se caiga. Es como pensar que la robustez es lo opuesto de la fragilidad. Sin
embargo, Nassim Taleb notó que la robustez es simplemente la falta de fragilidad.
De manera similar a la hormesis, en biología podemos encontrar otros sistemas que son
anti-frágiles en sentido de que se benefician del cambio, tales como el cerebro o el corazón, los
cuales al detectar cambios pueden practicar su adaptabilidad y pueden responder mejor a cambios
en su entorno, que si están expuestos a un medio ambiente regular. Otro de los ejemplos de anti-
fragilidad puede verse en educación y en economía, donde los cambios en la primera fomentan la
creatividad y en la segunda la innovación. El arte es necesariamente anti frágil, ya que los cambios
son necesarios para poder generar obras novedosas. Entonces, ¿nos conviene construir sistemas
frágiles, robustos o anti-frágiles? Veremos una manera de medir el cambio con información.
2.5 Información
Gregory Bateson definió la información como una diferencia que hace una diferencia. Esto
quiere decir que podemos entender a la información como algo que puede ser relevante para un
sistema. Sin embargo, unas décadas antes en el contexto de la cibernética Claude Shanon definió
una teoría de la comunicación donde propuso una medida de información. Shanon estaba interesado
en la transmisión fiel de datos a través de un canal de comunicación ruidoso. En este sentido no
importaba el significado de los datos ya que se asumía que este no era un problema de la
transmisión sino la relación entre el emisor y el receptor.
La información de Shanon es máxima cuando los datos son casi aleatorios. Esto es porque
al casi no haber un patrón en los datos la información que hayamos recibido no nos será muy útil
10
para predecir qué información recibiremos en el futuro. Por ejemplo, si estamos tirando volados no
importa que tengamos millones de datos pues estos no nos dirán cuál será el dato del siguiente
volado.
Por otra parte, la información de Shanon será mínima cuando un solo dato se repite siempre.
Si recibimos más datos estos no nos darán más infamación ya que con la información que tengamos
en el presente podremos predecir toda la información futura. La información de Shanon nos dice
qué tan regular o novedosa es una secuencia de datos. Si es muy regular la información será baja
ya que se necesita poca información para representar un patrón estático. Por otro lado, si no hay
estructura y los datos están desordenados la información será alta ya que habrá que representar
cada dato explícitamente.
2.6 Emergencia
2.7 Autoorganización
La estructura es tan regular que es predecible. Por otra parte, la autoorganización será
mínima cuando haya cambios constantes, ya que los patrones que haya se perderán, y no
encontraremos regularidad alguna. Podemos ver que la emergencia genera novedad, y la
autoorganización genera estructura.
2.8 Complejidad
El balance necesario para lograr un valor alto de complejidad puede lograrse combinando
distintos tipos de retroalimentación. Si un sistema es muy estático, podemos usar la
retroalimentación positiva para incrementar su variabilidad. Por otra parte, si un sistema cambia
constantemente podemos usar la retroalimentación negativa para incrementar su estabilidad.
Podemos relacionar la complejidad con la ley de la variedad requerida, de manera similar a la que
un controlador requiere tener por lo menos la misma variedad que aquello que intenta controlar.
Por otra parte, si un sistema es frágil, esto quiere decir que el cambio lo daña. Podemos
incrementar la auto organización para preservar la integridad del sistema. Por otra parte, si un
sistema es anti frágil, el cambio lo beneficia. En este caso podemos incrementar la emergencia para
mejorar o por lo menos mantener su funcionalidad. Por ejemplo, el ejercicio en cierta medida nos
beneficia. Si un sistema es robusto, esto quiere decir que puede mantener su funcionalidad. Esto
implica que no es necesario incrementar su complejidad. Por ejemplo, un ecosistema prístino no
requiere de nuestra intervención para perdurar. Vimos distintos tipos de sistemas y qué tipo de
relaciones puede haber entre ellos. También mencionamos a las redes que nos ayudan a ver la
relación que existe entre los nodos de un sistema. La dinámica de retroalimentación que pueden
existir entre los componentes, así como la fragilidad, robustez y anti-fragilidad que pueden tener
los sistemas dependiendo de la información que manejen al igual que su emergencia y su auto
organización.
Alfonso, P. B. (2008). Fundamentos teóricos del pensamiento complejo de Edgar Morin. Revista Electrónica
Educare, 12(2), 95-113.
Arnold Cathalifaud, M., & Osorio González, F. (1998). Introducción a los conceptos básicos de la teoría
general de sistemas.
Ashby, W. R. (1961). An introduction to cybernetics. Chapman & Hall Ltd.
___________ (1991). Principles of the self-organizing system. In Facets of systems science (pp. 521-536).
Springer, Boston, MA.
Barrero, A. C., de García, G. W., & Parra, R. M. M. (2010). Introducción a la Teoría de Grafos. ELIZCOM
SAS.
Caballero, J. R. D., & Ramos, C. A. C. (2012). Heurística de los poliedros regulares para la investigación.
Revista Cubana de Ingeniería, 3(2), 59-69.
Cabrera, A. J. P., & José, A. (2004). Edgar Morin y el pensamiento de la complejidad. Revistas ciencias de
la Educación, 23-14.
Cannon, W. B., & Rosenblueth, A. (1937). Autonomic neuro-effector systems. The Macmillan Company.
Capurro, R. (2007). Epistemología y ciencia de la información. Enlace, 4(1), 11-29.
Cardozo, O. D., Gómez, E. L., & Parras, M. A. (2009). Teoría de grafos y sistemas de información
geográfica aplicados al transporte público de pasajeros en Resistencia (Argentina). Revista
Transporte y Territorio, (1), 89-111.
Combariza, G. (2003). Una introducción a la teoría de Grafos.
Coronado, L. G. (1985). Consideraciones acerca de la teoría platónica de los cuatro elementos: su status
epistemológico. Escuela de Filosofía.
David, A., & Marfull, A. S. (1966). La cibernética y lo humano. Labor.
Espiga, A. C. (2014). Paradojas del pluralismo. Estudios de Deusto, 51(2), 93-114.
3
Se han relacionado por Julio C. Murcia P. las referencias que en el texto del curso se han parafraseado o enunciado directa o indirectamente por
el instructor.
13
Gambra, J. M. (1990). La metáfora en Aristóteles.
Garciandía Imaz, J. A. (2005). Pensar sistémico: una introducción al pensamiento sistémico. Editorial
Pontificia Universidad Javeriana.
Hernández, I. E. (2011). La importancia de la “ley de variedad requerida” en el desarrollo de software.
Generación Digital, (15).
Icart, I. B., & Blanch, A. M. (2001). Epistemología y cibernética. Papers: revista de sociologia, (65), 31-45.
Jiménez, R. G. (2014). Teoría general de sistemas y complejidad. Contribuciones a las Ciencias Sociales,
(2014-02).
Jutoran, S. (1994). El proceso de las ideas sistémico-cibernéticas. Sistemas familiares 10 (1). Buenos Aires.
Lozano, G. (1880). Los enciclopedistas.
Morin, E. (2004). La epistemología de la complejidad.
________ (1994). Introducción al pensamiento complejo. Barcelona: Gedisa.
Quirós, R. C. (2012). La estructura de la materia en los filósofos pluralistas pre-socráticos. InterSedes,
13(25).
Ramírez, S. (1999). Teoría general de sistemas de Ludwig von Bertalanffy (Vol. 3). UNAM.
Rosenblueth, A. (1971). El método científico (No. 121 R6). Consejo Nacional de Ciencia y Tecnología
(México).
Rosenblueth, A., & Wiener, N. (1945). The role of models in science. Philosophy of science, 12(4), 316-
321.
Saco, J. L. (2009). Personificaciones mítico-simbólicas del concepto filosfófico Yin-Yang en China. Lógoi,
(14).
Sandrier, A. (2001). Le style philosophique du baron d'Holbach: conditions et contraintes du prosélytisme
athée en France dans la seconde moitié du XVIIIe siècle (Doctoral dissertation, Paris 4).
Shannon, C. E. (1949). Communication theory of secrecy systems. Bell system technical journal, 28(4),
656-715.
Shannon, C. E., Weaver, W., Machado, T. B., Montes, S., & Pérez-Amat, R. (1981). Teoría matemática de
la comunicación. Forja.
Taleb, N. (1997). Dynamic hedging: managing vanilla and exotic options (Vol. 64). John Wiley & Sons.
_______ (2012). Antifragile: how to live in a world we don't understand (Vol. 3). London: Allen Lane.
_______ (2012). Antifragile: Things that gain from disorder (Vol. 3). Random House Incorporated.
_______ (2012). Antifragile: Things that gain from disorder (Vol. 3). Random House Incorporated.
Von Bertalanffy, L. (1993). Teoría general de los sistemas. Fondo de cultura económica.
14