2608 CarrascoVivanco PDF

REVISTA DE SOCIOLOGA, N26 (2011) pp.
169-191
Sistemas dinmicos en ciencias sociales?

Ignacio Carrasco*
Manuel Vivanco**
Resumen
Los sistemas dinmicos son uno ms de los distintos tipos de sistemas complejos, a saber: sistemas
autorreferenciales, sistemas autopoiticos, sistemas disipativos, sistemas emergentes, sistemas comple-
jos adaptativos, etc. En el contexto de la modelacin matemtica en ciencias sociales, en el presente
artculo se introduce una definicin bsica de sistemas dinmicos, as como sus principales conceptos.
Luego se describen antecedentes clave en cuanto a las aplicaciones ya realizadas en ciencias sociales
y se profundiza en una breve aplicacin en el mbito de la economa de la pesca artesanal en que
es relevante el uso de sistemas dinmicos. Finalmente se plantea una discusin sobre los desafos de
la investigacin con sistemas dinmicos en ciencias sociales.
Palabras clave: Sistemas dinmicos - teora del caos - no linealidad - modelamiento.
Abstract
Dynamical systems are a specific kind of complex systems, namely: self-reference systems, autopoietic
systems, disipative systems, adaptative complex systems, etc. In the context of mathematical modelling
in social sciences, this article introduces a basic definition of dynamical systems and its main concepts.
A background about key applications in social sciences is shown, and a specific case of the artisanal
fisheries in which dynamical systems are certainly useful. Finally, some of the current research cha-
llenges of dynamical systems in social sciences are discussed.
Keywords: Dynamical systems - chaos theory - non-linearity - modelling.
* Socilogo, Universidad de Chile. Magster en Gestin de la Inmigracin, Universidad Pompeu Fabra, Barcelona,
Espaa.
** Doctor en Sociologa, Universidad Complutense de Madrid, Espaa. Docente del Departamento de Sociologa
de la Facultad de Ciencias Sociales de la Universidad de Chile.
170 IGNACIO CARRASCO, MANUEL VIVANCO
INTRODUCCIN
La claridad sobre qu son, para qu sirven, y cmo puede ser una investigacin en que
el uso de sistemas dinmicos sea pertinente, es escasa dentro del campo de las ciencias
sociales en Chile. A menudo se confunde con la dinmica de sistemas desarrollada por
Jay Forrester, con la tcnica de anlisis de series temporales, o se incluye como parte de la
teora general de sistemas de Luhmann. Lo cierto es que los sistemas dinmicos se enmarcan
en una teora matemtica cuyos conceptos y tcnicas se aplican a un amplio espectro de
fenmenos (Capra, 1998) y que por lo tanto pueden clasificarse en el contexto de la Teora
de la Complejidad (Vivanco, 2010). La complejidad no estudia sistemas que son ordenados
y predecibles como el movimiento de los cuerpos celestes ni irreductiblemente azarosos
como la propagacin del incendio en una pradera. Los sistemas ordenados se caracterizan
porque sus componentes siguen una legalidad que evidencia cmo cada componente depende
de otro. Los sistemas desordenados que no son azar irreductible si bien no pueden ser
descifrados considerando el comportamiento de cada uno de sus componentes s lo son
respecto al comportamiento del promedio de stos. La complejidad no es la mecnica y
tampoco la estadstica. Su mbito de competencia es un terreno intermedio que los miembros
del Instituto de Santa Fe denominan al filo del caos. Langton (1990) y Kauffman (2003)
cultivan esta metfora que es ttulo de un libro: Complejidad. Una ciencia emergente al filo
del orden y el caos (Waldorp, 1992).
En este contexto, la pertinencia que los sistemas dinmicos tienen en las ciencias sociales
est dada a partir de dos conceptos matemticos que vienen a ser parte de la ciencia de
la complejidad, no linealidad y temporalidad. En este sentido es que es posible identificar
un amplio rango de aplicaciones que van desde aproximaciones metafricas y semnticas
hasta intentos por establecer una continuidad con la teora de sistemas dinmicos. De hecho,
en el periodo 1980-1995 las ciencias sociales (en particular en Francia) consideraron a la
teora del caos como parte de su reflexin. Por ejemplo, Castoriadis (1993) discute algunas
consecuencias epistemolgicas de la definicin de caos y Chatelet (1995) critica el uso
de atractores caticos en economa. Sin embargo, sin una comprensin rigurosa con las
definiciones bsicas de sistemas dinmicos, conceptos como caos y atractor (entre otros)
se diluyen en una pirotecnia conceptual cuyo desempeo terico-prctico es a lo menos
esculido.
Con el objetivo de aportar al sentido de los sistemas dinmicos en ciencias sociales, en

este artculo interesa responder a tres cuestiones. En primer lugar, introducir una definicin
bsica de sistemas dinmicos, as como sus principales conceptos, tales como atractor, caos
y espacio de fases. En segundo lugar, introducir antecedentes en cuanto a las aplicaciones
ya realizadas en ciencias sociales, profundizando en algunos de ellos. En tercer lugar, se
presenta una breve aplicacin en el mbito de la economa de la pesca artesanal en que
es relevante el uso de sistemas dinmicos, ya que se trata de un problema esencialmente
dinmico y no lineal, la sostenibilidad de la pesquera de merluza comn en la quinta regin
de Chile. Por ltimo, se plantea una discusin sobre los desafos de la investigacin con
sistemas dinmicos en ciencias sociales.
SISTEMAS DINMICOS EN CIENCIAS SOCIALES? 171
I. DEFINICIONES BSICAS DE SISTEMAS DINMICOS
Un sistema dinmico continuo es en trminos formales una funcin continua : R x

XX (donde R el conjunto de los nmeros reales) tal que (0, x) = x y (t, (s, x)) =
(t + s, x). En trminos coloquiales, pueden entenderse como una o ms funciones cuyo
comportamiento puede conocerse de acuerdo a ciertos parmetros, variables e interacciones
entre variables. Es importante destacar que X corresponde a lo que ms adelante se define
como espacio de fases1.
En rigor, en este artculo solo se tratan dos tipos particulares pero muy notables de sistemas
dinmicos, a saber: las ecuaciones en diferencias2 (ED) (sistema dinmico discreto) y las
ecuaciones diferenciales ordinarias (EDO) (sistema dinmico continuo). Sin embargo, dadas
las diversas alusiones a la teora del caos desde las ciencias sociales, es pertinente referirse
brevemente a algunos de sus conceptos. Especficamente, la teora del caos estudia aquellos
sistemas dinmicos que tienen un comportamiento catico. Es interesante mencionar un
listado somero de dicotomas puestas en agenda:
v Tcnica de anlisis de datos versus nuevo enfoque epistemolgico.

v Coordenadas espacio temporales estndar o nueva definicin del espacio de fases.
v Tiempo reversible de la fsica o tiempo irreversible de la evolucin.
v Azar versus determinismo.
v Orden degradado en desorden versus desorden generador de orden.
v Linealidad o no linealidad.
v Proporcin causa-efecto o desproporcin causa-efecto.
v Geometra con dimensin racional (fractal) o geometra con dimensin natural (no fractal).
La teora del caos disuelve algunas de las oposiciones expuestas. A saber, azar y
determinismo, orden y desorden, reversibilidad e irreversibilidad del tiempo. Actualiza
viejos conceptos como no linealidad y evidencia nociones nuevas como bifurcacin o efecto
mariposa. El libro en que muchos nos iniciamos (Gleick3, 1988) afirma que la teora del
caos es una revolucin slo comparable a la teora de la relatividad o la mecnica cuntica!
Sistemas que evolucionan segn un patrn de comportamiento identificado y que a veces
son impredecibles a largo plazo.
La teora del caos se enmarca en el estudio de los sistemas dinmicos no lineales. La nocin
de no linealidad hace referencia a la no proporcionalidad entre la causa y el efecto, que en
definitiva dependen de las variables que se estn incorporando en un modelo o ecuacin
determinada. En el origen de la no proporcionalidad est la sensibilidad a las condiciones
1 Adems, X puede ser de dimensin infinita, por ejemplo, X = C ([0, 1], R), el espacio de las funciones continuas
de [0,1] que toman valores en R.
2 Algunas referencias sobre este tipo de ecuaciones son Saber (1991) y Walter y Peterson (2000).
3 Aunque ciertamente es importante recordar que dicho libro es una obra de divulgacin cientfica escrita por
un periodista del New York Times.
iniciales. Formalmente implica que pequeas perturbaciones en la evolucin de una rbita

genera otra rbita que se inicia en un punto cercano a la primera y se desarrolla amplificando
la diferencia respecto a la rbita inicial. Devaney (2003) plantea una definicin que, si bien
no es intuitiva, debe tenerse en cuenta. Sea V un conjunto, f: VV es catica en V si:
v f tiene sensitividad a las condiciones iniciales.

v f es topolgicamente transitiva.
v Los puntos peridicos son densos en V.
Los sistemas dinmicos que presentan un comportamiento catico son no lineales y

aperidicos. Se produce un comportamiento aperidico cuando ninguna variable que
describe el estado del sistema da lugar a una repeticin regular de valores. En consecuencia, el
comportamiento del sistema no produce una regularidad emprica evidente. Un comportamiento
aperidico sin periodos genera para ciertos casos4 un conjunto de medidas azarosas que
no permiten realizar predicciones exactas. Es importante mencionar que desde la teora del
control se han propuesto herramientas para el control de sistemas caticos, tales como las
planteadas por Ditto y Percora (1993).
Paradjicamente, son sistemas aperidicos y deterministas. Uno de los atributos

epistemolgicamente ms relevantes de la teora del caos es que estudia sistemas aleatorios y,
simultneamente, deterministas. Desde el punto de vista formal el sistema es determinista. A
saber, el modelo matemtico expresa la ley que rige la evolucin del sistema. El comportamiento
del sistema es catico porque siendo determinista es impredecible.
1.1. Las preguntas del caos

Las respuestas de la teora del caos no son a preguntas del tipo por qu? Responde a
interrogantes referidas al modo en que funcionan los sistemas dinmicos no lineales en
ciertas condiciones. Cmo se puede conocer el patrn de comportamiento en fenmenos
altamente aleatorios que son fundamentalmente impredecibles? Cmo el orden subyacente
persiste en un sistema que evoluciona desordenadamente? Berge etal. (1994) plantean la
disyuntiva de la teora del caos. La meta final es comprender el origen y las caractersticas
de la evolucin en el tiempo de sistemas que presentan niveles de desorganizacin que los
hace ininteligibles.
1.2. Determinismo
Un sistema determinista o aleatorio o catico es esencialmente distinto. El sistema determinista
se caracteriza porque a un suceso le sucede slo un resultado posible. En consecuencia,
conocidas las condiciones iniciales el sistema evoluciona segn leyes que rigen el proceso.
4 Es interesante notar el caso de funciones casiperidicas que tienen un comportamiento aperidico, como
por ejemplo f (x) = sin (t) + cos (t). En algunos trabajos se habla de pseudoaleatoriedad (tales como
Besicovitch, 1952).
En un sistema aleatorio la secuencia de sucesos es independiente entre s. El orden de

los sucesos es regido por el azar. En una secuencia de sucesos aleatorios a un suceso dado
le puede suceder otro cualquiera de la serie sin ninguna restriccin.
Un sistema catico es aleatorio y determinista. El suceso antecedente puede generar

un resultado impredecible. Sin embargo, el sistema en su conjunto responde a un patrn
determinista. La teora del caos es contraintuitiva como la teora de la relatividad y la
mecnica cuntica, en el sentido de que dos puntos muy cercanos pueden seguir trayectorias
completamente diferentes. La intuicin es un instrumento feble. Nada ms contraintuitivo
que la luz se curve o que una partcula sea onda y corpsculo. La teora del caos enfrenta
la intuicin no slo a propsito de que cambios pequeos pueden producir consecuencias
gigantes. Ms contraintuitivo es estudiar sistemas que son simultneamente deterministas y
aleatorios. Sistemas donde el orden emerge del desorden y viceversa.
1.3. Espacio fase

El espacio fase es el lugar geomtrico en que se representa la trayectoria del sistema
dinmico. Permite que la evolucin del sistema sea descrita exhaustivamente.
El espacio de fase es un espacio abstracto constituido por todos los posibles valores de las
n variables de estado que componen el sistema. As, por ejemplo, para dos variables el espacio
de fase es un plano; tres variables constituyen un espacio tridimensional y sucesivamente
para espacios n dimensionales.
Conocidos los valores de las variables de estado de un sistema dinmico ste se puede
proyectar en cada uno de los n ejes del espacio fase. Ntese que la evolucin del sistema se
explica por la evolucin en conjunto de las variables. La ley dinmica del sistema que define
su evolucin tambin define la evolucin en el tiempo de cada una de las n variables que
componen el espacio fase. El espacio de fases es un hipottico espacio multidimensional
en el que se representa la evolucin de un sistema dinmico. Cada punto del espacio fase
representa un momento en la evolucin del sistema. Las coordenadas del punto corresponden
a los valores que asumen las variables para un determinado momento del sistema. La evolucin
del sistema se representa por las rbitas que son la huella dejada en el espacio de fases por
las diversas variables.
1.4. Atractor extrao

Existen sistemas dinmicos no lineales que presentan atractores no extraos. En trminos
matemticos, los atractores son bsicamente puntos en el espacio fase que atraen la mayor
parte de las soluciones o trayectorias del sistema.
La nocin de atractor extrao fue elaborada por David Ruelle y Floris Takens (1971)
para describir el vrtice o remolino generado por un lquido que fluye con turbulencia.
Geomtricamente un atractor extrao es un subconjunto de puntos en el espacio de fase.
Los puntos conforman un objeto ajeno a la comprensin de la geometra eucldea. En efecto,
la dimensin del atractor extrao no es un nmero entero. No es una recta de dimensin 1,

tampoco un plano de dimensin 2, ni un volumen de dimensin 3. Un atractor extrao es
un objeto fractal (Grassberger y Procaccia, 1983).
El atractor extrao es generado por repetidas iteraciones de un sistema determinista que

evoluciona caticamente. Corresponde a una regin del espacio fase que captura las rbitas
atrayndolas a un punto atractor.
El atractor evidencia la presencia de orden en el caos. El orden queda al descubierto

examinando el lugar geomtrico que representa al sistema. El atractor extrao es la ilustracin
grfica de la evolucin de ste. Evidencia el carcter determinista del sistema y ensea su
historia. Geomtricamente el atractor extrao es una curva de longitud infinita y se extiende
en un espacio finito sin orbitar dos veces en el mismo lugar.
El atractor de Lorenz es mtico porque es un descubrimiento casual que marca el inicio de

la ciencia del caos. Lorenz desarroll un sencillo modelo de doce variables y tres ecuaciones
para estudiar el comportamiento climtico. Sin percatarse cambi de tres a seis el nmero de
decimales en los clculos del computador. Trabajando con seis decimales sorprendentemente
la grfica cambi. Se dibuj el primer atractor extrao. Las mismas ecuaciones deterministas
cambiando mnimamente las condiciones iniciales se comportaban de modo catico. El
grfico se presenta a continuacin (Figura1) desplegndose como una mariposa en que se
reitera el patrn de comportamiento del sistema. Grficamente el atractor extrao es una
curva infinita domiciliada en un espacio con permetro finito.
1.5. La ecuacin logstica

Una manera de explicar los conceptos desarrollados anteriormente es presentar uno
de los sistemas dinmicos ms populares, la ecuacin logstica, que a pesar de tener un
comportamiento determinista en su versin continua, es ciertamente ilustrativa. En este
FIGURA1
Soluciones de la ecuacin Lorenz
Fuente: Waldorp (1992).

ejemplo interesa por un lado poner en prctica algunas de las definiciones desarrolladas en
relacin con la teora de sistemas dinmicos y comportamiento catico.
El mapa logstico es una ecuacin diferencial o en diferencia (dependiendo de la

definicin discreta o continua del tiempo) desarrollada por el matemtico belga Pierre
Franois Verhulst en 1838. En el sigloXX, diversos cientficos vinculados principalmente al
campo de la biologa han trabajado sobre esta ecuacin (Thieme, 2003; Murray, 1989). Con
sta es posible modelar el crecimiento poblacional, asumiendo que los estados iniciales
de desarrollo sern exponenciales, pero a medida que el tamao de la poblacin aumenta,
la tasa de reproduccin disminuir. En este sentido, en el modelo se plantea la lgica del
crecimiento autolimitado en tanto la tasa de reproduccin es proporcional a la poblacin
existente y la cantidad de recursos disponibles. Especficamente, la familia de sistemas
dinmicos asociados a la ecuacin logstica tiene la siguiente forma:
F = x (1x)
Donde x se encuentra entre [0, 1] y el parmetro toma valores en el intervalo [0, 4].
Cuando el parmetro se encuentra entre los valores 1 y 3 se presenta un comportamiento
de equilibrio caracterizado por la convergencia de las rbitas a puntos fijos. Sin embargo, al
observar el espacio de fases de las rbitas de la ecuacin logstica se aprecia un cambio en
la estructura de los puntos fijos, generado principalmente por divisiones de las trayectorias
o lo que se define tambin como bifurcaciones. Si bien para los valores de entre 3 y 4
permanecen los puntos fijos, aparecen puntos peridicos de periodo 2, producidos por un
tipo de bifurcacin conocido como duplicacin de periodo. Esta duplicacin va acompaada
de algo muy novedoso, ya que al pasar el valor 3,449 los puntos peridicos de periodo 2 se
convierten en repulsivos y se duplican, cada uno de ellos, para dar una rbita peridica de
periodo 4 que ser atractiva hasta aproximadamente = 3,55 (Martn etal., 1998).
Aqu se est en presencia de lo que se llama duplicacin de periodo como ruta al caos,
en tanto si se contina observando el sistema dinmico, aparecern mltiples bifurcaciones
que seguirn duplicando los puntos peridicos. Al ir avanzando hacia un valor del parmetro
= 4 se va reproduciendo el fenmeno anterior, y sucesivamente van apareciendo rbitas
atractivas y repulsivas. La Figura2 muestra el espacio de fases en que se representa cmo las
rbitas se bifurcan, cambiando la estructura de los puntos fijos. Una primera duplicacin de
periodo ocurre con la bifurcacin generada luego de que es superior a 3. Luego, tambin
se aprecia una duplicacin de periodo 4. Ntese cmo este fenmeno va ocurriendo cada
vez en rangos ms cortos de , siendo finalmente imposible distinguir grficamente de
cuntas bifurcaciones se trata.
Finalmente, la iteracin de la ecuacin logstica para valores del parmetro = 4 genera

un atractor extrao y un comportamiento catico de las rbitas del sistema. En la Figura3 se
presenta el grfico generado despus de 10, 50 y 100 iteraciones. La Figura ilustra la evolucin
de un sistema que para ciertos valores del parmetro se comporta segn un orden catico.
Ntese que no es posible predecir la trayectoria exacta de la prxima rbita. Sin embargo,
es fcil sealar que ocupar un espacio que reforzar la figura que forma el atractor extrao.
FIGURA2
Diagrama de Feigenbaum
Fuente: Martn etal. (1998).
FIGURA3
Iteraciones ecuacin logstica
Fuente: Martn etal. (1998).
Si bien los sistemas dinmicos no lineales son ecuaciones deterministas, en tanto se

definen a partir de una regla precisa de comportamiento, en el largo plazo pueden tener
un alto componente de impredecibilidad. Aunque se escojan condiciones iniciales muy
similares, una misma regla, un mismo sistema dinmico, presentar una evolucin catica
de sus rbitas para ciertos parmetros. El comportamiento catico y determinista que pueden
presentar los sistemas dinmicos no lineales es de este modo un desafo a las distinciones
sealadas al principio de este artculo. Azar y necesidad son categoras que adquieren un
nuevo significado desde la no linealidad y temporalidad propia de este tipo de sistemas
complejos.
II. INVESTIGANDO CON MODELOS DINMICOS NO LINEALES
Ya con un contexto bsico sobre las definiciones de sistemas dinmicos, es posible

comprender ms fcilmente las aplicaciones que se han desarrollado en ciencias sociales,
as como su nivel de profundidad y rigurosidad en relacin a la teora matemtica que
subyace a los conceptos de no linealidad y temporalidad. Al revisar la bibliografa en que
se presentan aplicaciones se encuentran diversos tipos de aproximaciones.
Si bien las aplicaciones tienen distintos niveles de profundidad o formalizacin, por lo

general tienen en comn los conceptos desarrollados anteriormente. En el mbito de los
sistemas electorales, se encuentra, por ejemplo, From Individuals to Groups: The Aggregation
of Votes and Chaotic Dynamics (Richards, 1997), as como Hopf Bifurcation in multiparty
political systems with time delay in switching (Khan, 2000). En el primero, especficamente, se
estudia el comportamiento electoral entendido como agregacin de preferencias individuales,
las cuales tendran un comportamiento no lineal en tanto incrementos en una variable no
generan incrementos uniformes en la otra. El proceso mediante el cual se consigue un acuerdo
social entre un grupo de individuos, cada uno con sus preferencias y habilidades para actuar
estratgicamente, no se organiza de acuerdo a una simple relacin aditiva donde el inters
grupal es una mera suma de intereses individuales. Tambin se han desarrollado modelos
sobre conflicto blico, destacndose los modelos de batalla propuestos por Lanchester, tales
como A verification of Lanchesters Law (Engel, 1954), en que se proponen ecuaciones
diferenciales para observar la dinmica entre las tropas enemigas. Otro terreno explorado
en trminos de sistemas dinmicos corresponde a la dinmica epidemiolgica, en que se
estudia la difusin de enfermedades transmisibles o infecciosas en distinto tipo de poblaciones.
Ciertamente existen una serie de aplicaciones, que pueden ser revisadas, entre otros, en el
Journal of Mathematical Sociology.
Ntese que el objetivo de este artculo es ms introducir a una lgica de investigacin

sobre la modelacin de cierto tipo de sistemas dinmicos en ciencias sociales, que describir
un panorama exhaustivo sobre los tipos de aplicaciones existentes. En este sentido, ms
all de realizar una descripcin detallada de cada una de las experiencias de modelacin
con sistemas dinmicos en ciencias sociales, se opta por profundizar en dos cuestiones
clave relevantes en este campo: en primer lugar, una explicacin detallada de los modelos
epidemiolgicos, su lgica y pertinencia en temas de salud pblica, as como problemas
sociales que pueden tener una formalizacin similar. En segundo lugar, la presentacin de
una aplicacin completa de un sistema dinmico en el mbito de la economa, ocupndose
de cuestiones de orden metodolgico y tratando de cubrir los principales elementos en una
investigacin en ciencias sociales.
2.1. Modelos epidemiolgicos

Un conjunto importante de aplicaciones de sistemas dinmicos en ciencias sociales
se desarrollan a partir de lo que se conoce como las matemticas de las enfermedades
infecciosas (Hethcote, 2000). stas consisten en el estudio de la dinmica epidemiolgica,
enfatizando la modelacin de enfermedades que por su carcter transmisible presentan un

comportamiento en que la prediccin resulta compleja. De este modo, este tipo de modelos
resulta interesante para las ciencias sociales en al menos dos sentidos.
En primer lugar, en trminos de la importancia para la salud pblica que el control

de las enfermedades infecciosas tiene a nivel mundial, y en especial para los pases de
Amrica Latina y el Caribe, en que si bien han ido progresivamente dando paso a una mayor
preponderancia de enfermedades crnicas, an se presenta una alta coexistencia con cierto
tipo de enfermedades transmisibles (CEPAL, 2010). Esto adquiere relevancia en el contexto
de la investigacin sobre las determinantes sociales de la salud, en que se estudia, por
ejemplo, la distribucin diferenciada del riesgo de contagio segn indicadores como nivel
socioeconmico, etnia, segregacin urbana, entre otros. En segundo lugar, en tanto siguiendo
la lgica de la dinmica epidemiolgica, es posible realizar ejercicios de modelacin en
otros mbitos de las ciencias sociales, tal y como se demuestra en Joshua Epstein (1997) en
el estudio de la difusin de drogadictos en una comunidad.
En Hethcote (2000) se describen los principios para formalizar la difusin del contagio de
enfermedades transmisibles en un modelo particular5. Por lo general, el proceso de contagio
se estudia a partir de etapas etiquetadas con las letras M, S, E, I y R, tal y como se ejemplifica
en la Figura4. As, para una enfermedad que se presenta en nios y nias recin nacidos,
la etapa M corresponde al grupo que presenta inmunidad por haber recibido anticuerpos
a travs de la placenta de madres que haban sido infectadas previamente. Luego que la
inmunidad desaparece, este grupo se une al resto de nios en la etapa S, lo cual indica que
son susceptibles de contagiarse. Aquellos casos que hayan tenido un contacto con poblacin
infectada, pasarn a formar parte del grupo E, por lo que mantienen la enfermedad en un
estado latente sin capacidad de contagiar a ms personas. Despus de esta etapa, los nios
pasan al grupo I, en que pueden transmitir la enfermedad a otros. Cuando I termina, el
grupo pasa a la etapa R, en que adems de estar recuperados, adquieren inmunidad. Es
importante destacar que este esquema ser diferente para cada tipo de enfermedad, por lo
que es decisin del equipo que desarrolla el modelo el ordenamiento a seguir, as como las
etapas que se incluirn en la formalizacin.
La incidencia de la enfermedad por contagio horizontal que se muestra en la Figura4

expresa la infeccin de la poblacin susceptible mediante el contacto con la poblacin
infectada. En este sentido, si S (t) es el nmero de personas susceptibles en el tiempo t, I (t)
es el nmero de infectados, y N es el tamao de la poblacin total, entonces s (t) = S (t)/N
y i (t) = I (t)/N son las fracciones de poblacin susceptible e infectada, respectivamente. Si
es el nmero promedio de contactos adecuados (contactos suficientes para la transmisin
de la enfermedad) de una persona por unidad de tiempo, entonces GI/N = i es el nmero
promedio de contactos con infectados por unidad de tiempo de un susceptible, y (I/N)
S = Nis es el nmero promedio de nuevos casos por unidad de tiempo, ya que S = Ns. Es
clave destacar que el clculo del valor depender de los patrones especficos de contacto
5 Para una revisin de un conjunto ms amplio de modelos epidemiolgicos, vase Hethcote (1994).
FIGURA4
Diagrama de transmisin general para modelos MSEIR
nacimientos con nacimientos sin

inmunidad pasiva inmunidad pasiva
M S incidencia E I R
horizontal
muertes muertes muertes muertes muertes
Fuente: Sobre la base de Hethcote (2000).
entre los individuos de la poblacin en que se presente la epidemia, por lo que no corresponde
asumir una proporcionalidad entre este parmetro y el tamao de la poblacin.
Uno de los aspectos clave de la dinmica de las enfermedades infecciosas est dado por
los parmetros conocidos como la tasa de reproduccin bsica Ro, tasa de contacto y la
tasa de reemplazo R, en tanto definen los umbrales que determinan que una enfermedad sea
capaz de invadir una poblacin en particular. Ro corresponde al nmero de casos secundarios
de contagio provenientes de un infectado. As, si Ro > 1 se tiene equilibrio endmico y si
Ro < 1 se tiene un caso de control de la epidemia. En segundo lugar, est definido por
el nmero promedio de contactos adecuados que un infectado puede realizar durante un
periodo infeccioso6. El nmero de reemplazo, R, se define como el nmero promedio de
infecciones producidas en cada nuevo periodo infeccioso. Ntese que la relacin entre estos
tres parmetros es la siguiente: Ro R, lo cual se explica porque en la mayor parte de
las enfermedades es igual a Ro. Adems, el valor de R va disminuyendo a medida que la
prevalencia de la infeccin aumenta.
De este modo, uno de los modelos clsicos de la dinmica epidemiolgica est dado por:
dS
= IS / N , S ( 0 ) = S0 0
dt
dI
= IS / N I , I ( 0 ) 0 (1)
dt
dR
= I, R ( 0 ) = R0 0
dt
donde S (t) + I (t ) + R (t) = N. Es conveniente enfatizar que si
S (0) + I (0) + R (0) = N,
6 El nmero promedio de contagios que podra generar si todos sus contactos fueran con individuos susceptibles.
CUADRO1
Trminos para modelos basados en MSEIR
VARIABLE DEFINICIN
M Nios con inmunidad pasiva.
S Poblacin susceptible.
E Personas expuestas en el periodo de infeccin latente.
I Infectados.
R Personas recuperadas y que, por lo tanto, desarrollan inmunidad.
m, s, e, i, r Fracciones de la poblacin.
Tasa de contacto.
1/ Periodo de inmunidad pasiva promedio.
1/ Periodo de infeccin latente promedio.
1/ Periodo infeccioso promedio.
Ro Nmero (tasa) de reproduccin bsico.
Nmero (tasa) de contacto adecuados.
R Tasa de reemplazo.
entonces de (1) se deduce que
dS dI dR
(t ) + (t ) + = 0
dt dt dt
por lo que S (t) + I (t) + R (t) es constante e igual a N para todo t.
Ntese que este modelo SIR corresponde a un caso particular del modelo MSEIR presentado
en el diagrama de la Figura4.
Este modelo SIR utiliza un tasa de recuperacin de MI, lo que corresponde a un tiempo
exponencial de espera e t. Al dividir las ecuaciones de 1 por el valor de la poblacin total
N se obtiene:
ds / dt = is , s ( 0 ) = s0 0
di / dt = is i , i ( 0 ) = i0 0 (2)
con r (t) =1 s (t) i(t).
Una mirada al espacio de fases definido como T, para las variables de (s, i)en la Figura5,
permite observar las soluciones de distintos valores en las condiciones iniciales de s (0).
T = {( s , i ) s 0, i 0, s + i 1} (3)
FIGURA5
Espacio de fases para modelo SIR
1
Fraccin infecciosa, i
0 0.2 0.4 0.6 0.8 1

5mx
Fraccin susceptible, s
Las soluciones del modelo para valores de = 3 se presentan en la Figura6. As, se

aprecia que la trayectoria de la poblacin infectada es creciente hasta un punto mximo, para
finalmente decrecer hasta 0. Por otro lado, la poblacin susceptible disminuye a medida que se
FIGURA6
Soluciones del modelo SIR
1
Fraccin susceptible
Fraccin infecciosa
0 5 10 15 20 25
Tiempo en das
va convirtiendo en poblacin infectada o recuperada, para luego alcanzar valores constantes.

Aqu el nmero adecuado = /M corresponde a la tasa de contacto Lpor unidad de tiempo,
multiplicado por el periodo de infeccin promedio 1/. Es importante destacar que en otros
modelos epidemiolgicos se han encontrado atractores caticos (Diallo y Kon, 2007).
Por otro lado, Joshua Epstein, investigador del Santa Fe Institute, es uno de los autores que
ha realizado aplicaciones de sistemas dinmicos a ciencias sociales que resultan paradigmticas
en cuanto a su vinculacin con las matemticas de las enfermedades infecciosas. De este
modo, en Nonlinear Dynamics, Mathematical Biology and Social Science (Epstein, 1997)
se destacan dos modelos, uno que trata de predecir la dinmica de la carrera armamentista
entre dos pases, y otro que explica la dinmica de la difusin de drogas en una comunidad.
En ambas aplicaciones se presentan preguntas similares a las que se realizan cuando

se utiliza la ecuacin logstica para modelar el comportamiento de poblaciones biolgicas
o de difusin de epidemias. La motivacin que subyace a estas aplicaciones es por un
lado la idea de que existen modelos matemticos simples que pueden iluminar dinmicas
complejas. As como el inters por profundizar formalmente en analogas entre problemas
biolgicos y sociales, en tanto la biologa matemtica ofrece un potencial subexplotado
para desarrollar un nuevo punto de vista de la dinmica social. Es decir, si para preguntas
sobre el crecimiento poblacional de insectos se responde a cuestiones como: cul ser la
variacin de la cantidad de insectos entre la semana 5 y 6?; en qu medida el crecimiento
de la poblacin de insectos depende de la densidad de sta?; es siempre posible predecir la
dinmica de la poblacin o solo para ciertas tasas de reproduccin?; en qu condiciones se
genera comportamiento catico del crecimiento poblacional? Las aplicaciones desarrolladas
por Epstein responden a interrogantes del tipo: es posible que la carrera armamentista entre
dos pases se estabilice para cierta cantidad de armamento total, generando un ritmo de
crecimiento predecible?; en qu situaciones no es posible predecir la dinmica de la carrera
armamentista?; cul ser la variacin de la poblacin de drogadictos de un ao a otro?; en
qu sentido depende de la cantidad de drogadictos existentes en un momento determinado?
Estudiar la evolucin del crecimiento de un grupo de drogadictos en una comunidad en

que se interacta con grupos de no adictos, polica y nuevos integrantes en la comunidad, es
ciertamente un problema complejo, en tanto la dinmica de la expansin se basa en una relacin
no lineal entre los diferentes actores. Por un lado est el componente nolineal y por otro el de
temporalidad, de ah que se considere el uso de sistemas dinmicos para modelar el problema.
Si bien aqu no interesa profundizar en la formalidad matemtica del modelo, es importante

especificar cules son los elementos que Epstein toma en cuenta para describir la dinmica
de la poblacin de drogadictos en una comunidad. De este modo, es posible distinguir en
el modelo cuatro grupos que tendrn una dinmica particular pero que al interactuar se
modifican entre s, as como la dinmica total de la comunidad.
Cada una de las ecuaciones diferenciales describe la dinmica de las variables presentadas,
obteniendo un modelo de la dinmica total de la comunidad. Es interesante destacar que la
complejidad del problema (modelar la dinmica de la expansin de drogadictos) puede ser
estudiada con un sistema dinmico simple, muy similar al modelo SIR presentado anteriormente.
CUADRO2
Trminos del modelo
VARIABLE DEFINICIN
S (t) Poblacin no adicta y susceptible.
I (t) Poblacin adicta.
L (t) Polica. Su funcin consiste arrestar a los adictos de la comunidad.
R (t) Poblacin arrestada. Se asume como permanente.
Tasa en la cual el contacto entre un adicto y no adicto produce un nuevo adicto.
Tasa de incorporacin de nuevos integrantes a la comunidad.
Tasa en la cual el contacto entre policas y adictos resulta en el arresto de un adicto.
Tasa en la cual el incremento de adictos resulta en incremento de polica.
b Amortiguamiento econmico al cual est sujeto el crecimiento policial.

Lo cual se explica en tanto la no linealidad del problema se presenta bsicamente en la

interaccin no lineal entre la poblacin drogadicta y no drogadicta.
2.2. Ejemplo de aplicacin

Una aplicacin de sistemas dinmicos a ciencias sociales puede desarrollarse en los
siguientes pasos. En primer lugar, es necesario identificar un problema de investigacin en
que el componente no lineal y temporal sea fundamental. En segundo lugar, se requiere de
la seleccin, modificacin o construccin de un modelo basado en sistemas dinmicos que
consiga responder al problema de investigacin y de esta forma a los objetivos que se plantean
en la investigacin. En tercer lugar, se requiere realizar simulaciones computacionales que
permitan observar los distintos escenarios posibles a partir de situaciones iniciales especficas.
Finalmente se requiere discutir los resultados y plantear conclusiones a partir de stos. De
este modo, el siguiente ejemplo de aplicacin permite mostrar la lgica de una aplicacin
en que el uso de sistemas dinmicos sea relevante. El problema se enmarca en el mbito de
la pesca artesanal, en tanto puede ser un tema complejo si se toma en cuenta la relacin
entre los aspectos biolgicos y econmicos.
2.2.1. Presentacin del problema y justificacin del componente no lineal y

temporal
La sostenibilidad de la pesca artesanal entendida como un problema complejo presenta
relaciones no lineales entre los aspectos biolgicos y econmicos. En trminos intuitivos
significa, por ejemplo, que mayores niveles de esfuerzo pesquero (cantidad de embarcaciones,
principalmente) de los recursos marinos no tienen necesariamente mayores beneficios econmicos
ni mayor impacto biolgico. De hecho, en algunos casos conviene explotar ms el recurso para
que ste se reproduzca ms rpido, pero en otras se requiere hacer precisamente lo contrario.
Por otro lado, las decisiones sobre sostenibilidad no pueden ser de carcter esttico, ya que
cuestiones que son vlidas en un momento, no necesariamente lo son en otro.
En particular, en la pesquera de merluza comn de la quinta regin de Chile no hay

claridad sobre la situacin futura de los pescadores artesanales, en cuanto a si en el mediano
y largo plazo seguir habiendo disponibilidad de peces dada la situacin actual de esfuerzo
pesquero, lo que tiene un directo impacto en los beneficios econmicos, as como en el
ingreso de nuevos pescadores a la pesquera. En este sentido, la pregunta que motiva la
presente aplicacin sera: Es sostenible en trminos biolgicos y econmicos la pesca
artesanal de la quinta regin en Chile a partir de su situacin actual?
2.2.2.Seleccin del modelo

Si bien no interesa caer en tecnicismos matemticos, ya que el trabajo de aplicaciones
de sistemas dinmicos se desarrolla con equipos interdisciplinarios en que cada investigador
aporta desde su propio campo, hay que tener presentes algunas nociones bsicas del proceso de
modelacin para facilitar la comunicacin (Carrasco, 2008). La comprensin del planteamiento
del problema y as como se ver ms adelante, las simulaciones computacionales, requieren

al menos un manejo intuitivo del funcionamiento del proceso de modelacin matemtica.
De los diversos tipos de sistemas dinmicos existentes para el estudio de sostenibilidad

pesquero, se opta por seleccionar el modelo bioeconmico de Gordon-Schaefer, en tanto si
bien es uno de los ms simples, permite acercarse a responder a la pregunta de investigacin.
La justificacin para la seleccin de este modelo es bsicamente que la pregunta por la
sostenibilidad en trminos biolgicos y econmicos de un recurso pesquero requiere de
un modelo que relacione la reproduccin de un recurso renovable, con su explotacin
motivada por fines econmicos (Franquesa, 1995). Especficamente, este modelo tiene que
ser capaz de relacionar la tasa de reproduccin de un recurso vivo, con el esfuerzo pesquero
como un costo, as como las capturas o cantidades de pesca expresadas como un ingreso
por las ventas del recurso. Formalmente, el modelo de Gordon-Schaefer es el siguiente:
1
Bt +1 = Bt + rBt 1 Bt Ct (4)
K
= ITS CT = pC cE (5)
Donde los trminos del modelo son:
CUADRO3
Trminos del modelo Gordon-Schaefer a tiempo discreto
Bt+1 Dinmica de la poblacin.
Ct = qEBt Captura E: Esfuerzo de pesca.
K Capacidad de carga del ecosistema.
r Tasa de reproduccin intrnseca.
q Coeficiente de capturabilidad.
c Costo.
p Precio.
t Tiempo.
Beneficios econmicos.
ITS Ingresos totales.
CT Costos totales.
Bsicamente, es importante tener claro dos elementos. En primer lugar, que el modelo
se construye a partir de la ya mencionada ecuacin logstica. Por lo que por un lado se
est modelando el crecimiento poblacional de peces y las capturas (cantidades de pesca
realizada) que se realizan producto de la explotacin pesquera. Por otro lado, en la segunda
ecuacin se modelan los beneficios econmicos, relacionando ingresos y costos, con capturas
y esfuerzo pesquero, respectivamente.
En segundo lugar, que la relacin entre el aspecto biolgico y econmico es no lineal en

tanto las capturas dependern a su vez de la cantidad de biomasa (cantidad de peces en el
mar) como de esfuerzo pesquero existente. De este modo, lo que se plantea en el modelo
es que las capturas y por lo tanto los beneficios econmicos no tienen, a medida que pasa
el tiempo, una relacin lineal con las cantidades de biomasa.
2.2.3. Simulaciones
A continuacin se presentan las salidas computacionales luego de haber realizado
las simulaciones con datos inventados. El programa computacional usado es el paquete
informtico Matlab, para lo cual se definieron los algoritmos necesarios para expresar el
comportamiento del modelo en trminos de la sintaxis particular. De manera similar, es
posible utilizar el programa Scilab, que cuenta con una plataforma de fuente abierta y
descarga gratuita del sitio web.
La primera y la segunda salidas representan diferentes posibilidades de la pesquera,

permitiendo observar los puntos de equilibrio entre el aspecto biolgico y econmico. La
tercera y la cuarta salidas computacionales muestran las simulaciones propiamente tales,
prediciendo la evolucin de la cantidad de biomasa y de los beneficios econmicos a
partir de la cantidad actual de esfuerzo pesquero del caso estudiado. Se utilizan los datos
del Cuadro4.
En la Figura7 se muestra cmo la situacin de esfuerzo pesquero genera una cantidad de

capturas que no es sostenible en el tiempo, de ah que el modelo prediga que las capturas se
estabilizarn en algn punto a lo largo de la curva de Ingresos sostenibles. En la Figura8 se
puede observar la relacin biolgica y econmica de la pesquera en cuestin, en tanto hay
incentivos econmicos para que el esfuerzo pesquero aumente hasta 7.000 embarcaciones
aproximadamente. Sin embargo, esa situacin sera una disminucin dramtica en trminos
de biomasa.
En la Figura9 se observa que la cantidad de beneficios se estabiliza en una cantidad

compatible con el nivel de esfuerzo, lo cual da cuenta tanto de la disminucin de las
capturas como de biomasa. De este modo, dada la condicin inicial actual, las soluciones
se estabilizan en los diferentes puntos de equilibrio (Clark, 1990). Estos puntos de equilibrio
estn representados a lo largo de toda la curva de la Figura7 y en trminos de la teora de
sistemas dinmicos, se definen como puntos atractores ya que atraen las soluciones o
trayectorias hacia ellos. En este caso, considerando que el esfuerzo pesquero definido es
de 300 embarcaciones, el punto atractor que le corresponde a las trayectorias se obtiene
CUADRO4
Datos utilizados para la realizacin de las simulaciones
NOTACIN VALOR UNIDAD DE MEDIDA
K: capacidad de carga del ecosistema 600.000 Toneladas
r: tasa de reproduccin intrnseca 0.3
q: coeficiente de capturabilidad 0.00004
B0: biomasa inicial 600.000 Toneladas
E: esfuerzo realizado por flota artesanal 300 Embarcaciones
c: costo 15.000 Pesos chilenos por da
p: precio 246.000 Pesos por tonelada
t: tiempo 1:20 Aos
FIGURA7
Captura sostenible versus esfuerzo artesanal
4.5
C_MRS
4
3.5
3
Captura (toneladas)
2.5
2
1.5
1
Situacin actual
0.5
0 Prediccin del modelo
C_EBE
0.5 E_MRS E_EBE
0 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000
Esfuerzo pesquero
Fuente: Salidas computacionales Matlab.

FIGURA8
Ingresos y costos sostenibles
109 12
10 MRS
Ingresos costos (pesos)
2
EBE
0
E_MRS E_EBE
2
0 300 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000
Esfuerzo (embarcaciones)
Ingresos Costos
FIGURA9
Simulacin evolucin de captura
Trayectoria de la biomasa
x 109
6
5.98 Situacin actual
5.96
Biomasa (toneladas)
5.94
5.92
5.0
5.88
5.86
5.84
5.82
0 5 10 15 20 25
Tiempo (Aos)

proyectando una lnea recta desde esa cantidad de esfuerzo hacia la curva de biomasa
representada en la Figura7.
Considerando las limitaciones que el presente modelo tiene, principalmente en cuanto

no considera esfuerzo pesquero industrial y por lo tanto su validez se ve muy reducida7, es
posible sealar algunas interpretaciones a partir de las simulaciones realizadas. La situacin de
la pesca artesanal de la merluza comn en Valparaso sera sostenible en trminos biolgicos
y econmicos en caso de que slo se considerara este tipo de pesca. Sera sostenible en
trminos biolgicos, en tanto si bien la cantidad de capturas son superiores a las sostenibles,
en el plazo simulado stas disminuiran hasta alcanzar una cantidad compatible para que la
biomasa se mantenga constante. Econmicamente, ya que si bien los beneficios econmicos
de los pescadores artesanales disminuiran producto de la disminucin de las capturas,
tambin se estabilizaran en un nivel en que, segn el modelo, sigue siendo rentable la
cantidad de esfuerzo pesquero.
III. DISCUSIN
Sobre la base de las definiciones, distinciones y aplicaciones de sistemas dinmicos en

ciencias sociales presentadas, surgen a lo menos dos interrogantes que vale la pena seguir
investigando. En primer lugar, reflexionar sobre el sentido de obtener cierto tipo de resultados.
Muchas de las aplicaciones de sistemas dinmicos se esfuerzan por encontrar atractores
extraos o comportamiento catico en series de datos, pero el desempeo explicativo que
esto tiene no se profundiza mayormente. Por ejemplo, qu significa en trminos sociolgicos
que el comportamiento de un modelo en particular sea catico para ciertos parmetros?
Ciertamente cuando se obtienen correlaciones entre dos o ms variables, para cualquier
cientista social es posible hacer una interpretacin, incluso si no se conoce el trasfondo
matemtico de la tcnica de anlisis.
Finalmente, es clave reflexionar sobre la pertinencia de desarrollar modelacin matemtica

en ciencias sociales actualmente. Los sistemas dinmicos, y en especial las ecuaciones
diferenciales ordinarias presentadas en este artculo, son parte de un conjunto ms amplio
de posibilidades para abordar terica y empricamente la complejidad de la sociedad. En
este sentido, considerando que se trata de herramientas de anlisis y de investigacin que
an se encuentran en un estado incipiente, se requiere tener claridad sobre el contexto en
que pueden ser tiles: no linealidad y temporalidad.
IV. COMUNIDAD Y HERRAMIENTAS
v Center for Chaos and Complexity.

v Chaos for Java, XPPAUT, Phaser.
v Discrete and Continuous Dynamical Systems.
v Dynamical System. An International Journal.
7 Para una revisin de un artculo en que se considera el esfuerzo pesquero industrial, vase Martinet etal. (2010).
v Dynamics of Continuous, Discrete and Impulsive Systems.

v Journal of Biological Dynamics.
v Journal of Difference Equations and Applications.
v Matlab tiene un mdulo para estudiar dinmica no lineal.
v Max Planck Institute for Dynamics and Self-organization.
v SCILAB se especializa en modelos caticos.
v Society for Chaos Theory in Psychology and Life Sciences.
t 5IF4PDJFUZGPS/PO-JOFBS%ZOBNJDTJO&DPOPNZ
BIBLIOGRAFA
Berge, P., Yves Pomeau y Christian Vidal (1994): Order within Chaos, Wiley and Sons, Paris.
Berry, B. y Heja Kim (1997): Long Waves 1790-1990: Intermittency, Chaos, and Control, en D. Kiel y
Euel Elliot (eds.): Chaos Theory in the Social Sciences. Foundations and Applications, University
of Michigan Press, Ann Arbor.
Besicovitch, A.S. (1952): Almost Periodic Functions, Dover.
Capra, F. (1998): Las Conexiones ocultas, Anagrama, Barcelona.
Carrasco, J. Ignacio (2008): Consideraciones metodolgicas para la aplicacin de sistemas dinmicos
en ciencias sociales, Tesis para optar al ttulo de socilogo, Universidad de Chile, Santiago
de Chile.
Castoriadis, C. (1993): La Nuit de Ville-Evrard. Temps, Memoires, Chaos, Descartes et Compagnie, Paris.
CEPAL (2010): Poblacin y salud en Amrica Latina y el Caribe: retos pendientes y nuevos desafos,
Naciones Unidas, Santiago de Chile.
Chatelet, G. (1995): Vivre et penser comme des porcs, Gallimard, Paris.
Clark, C. (1990): Mathematical Bioeconomics. The Optimal Management of the Renewable Resources.
Wiley and Sons, New York.
Cohen, J. e Ian Stewart (1995): The Collapse of Chaos, Penguin Books, London.
Devaney, R. (2003): An Introduction to Chaotical Dynamical System, Westview Press, Colorado.
Diallo, O. e Y. Kon (2007): Melkinov analysis of chaos in a general epidemiological model, Nonlinear
Anal. Real World Appl., 8, pp.20-26.
Ditto, W. y L. Percora (1993): Mastering Chaos, Scientific American, agosto, p.62.
Engel, J.H. (1954): A Verification of Lanchesters Law, Operations Research, 2, pp.163-171.
Epstein, J. (1997): Non Linear Dynamics. Mathematical Biology and Social Science, Addison Wesley,
Redwood City.
Franquesa, R. (1995): Modelos Bioeconmicos y polticas de regulacin pesquera. Una leccin
introductoria, Gabinete de Economa del Mar, Espaa.
Gleick, J. (1988): Caos: la Creacin de una Nueva Ciencia, Seix Barral, Barcelona.
Grassberger, P. e I. Procaccia (1983): Characterization of strange attractors, Physical Review Letters,
50, pp.448-451.
Hethcote, H. (1994): A thousand and one epidemic models, en S. Levin (ed.): Frontiers in Mathematical
Biology, Lecture Notes in Biomathematics, 100, Springer, Berlin, pp.504-515.
(2000): The Mathematics of infectious diseases, SIAM Review, 42, pp.599-653.
Kauffman, S. (2003): Investigaciones, Tusquets, Barcelona.
Kelley, Walter y A. Peterson (2000): Difference equations: an introduction with applications, Academic
Press, San Diego.
Khan, Q.J.A. (2000): Hopf bifurcation in multiparty political systems with time delay in switching,
Applied Mathematics Letters, 13 (7), pp. 43-52.
Kiel, D. y Euel Elliot (eds.) (1997): Chaos Theory in the Social Sciences. Foundations and Applications,
University of Michigan Press, Ann Arbor.
Langton, C. (1990): Chaos Computation at the Edge of Chaos, en S. Forrest (comp.): Emergent
Computation, MIT Press, Cambridge.
Martn, M.A., M. Morn y M. Reyes (1998): Iniciacin al Caos, Sntesis, Madrid.
Martinet, V., J. Pea, M. de Lara y H. Ramrez (2010): Evaluation of management procedures: Application
to Chilean Jack Mackerel fishery, Proceeding of Economics of Fish Resources and Aquatic
Ecosystems (IIEFT), Montpellier.
Murray, J. (1989): Mathematical Biology, Springer, New York.
Richards, D. (1997): From Individual to Groups: The Aggregation of Votes and Chaotic Dynamics, en
D. Kiel y Euel Elliot (eds.): Chaos Theory in the Social Sciences. Foundations and Applications,
University of Michigan Press, Ann Arbor.
Ruelle, D. y Floris Takens (1971): On the nature of the turbulence, Communication in Mathematical
and Physics, 20 (3), pp.167-192.
Saber, N. (1991): An introduction to difference equations, Springer, New York.
Thieme, H. (2003): Mathematical Population Biology, Princeton University Press, Princeton
Vivanco, M. (2010): Complejidad y sociedad: del discurso al modelo, LOM, Santiago de Chile.
Waldorp, M. (1992): Complexity: The Emerging Science at the Edge of Order and Chaos, Viking, London.
Recibido: 04-10-2010
Aceptado: 26-01-2011

2608 CarrascoVivanco PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2608 CarrascoVivanco PDF

Uploaded by

Copyright:

Available Formats

REVISTA DE SOCIOLOGA, N26 (2011) pp.

Sistemas dinmicos en ciencias sociales?

Con el objetivo de aportar al sentido de los sistemas dinmicos en ciencias sociales, en

I. DEFINICIONES BSICAS DE SISTEMAS DINMICOS

Un sistema dinmico continuo es en trminos formales una funcin continua : R x

v Tcnica de anlisis de datos versus nuevo enfoque epistemolgico.

iniciales. Formalmente implica que pequeas perturbaciones en la evolucin de una rbita

v f tiene sensitividad a las condiciones iniciales.

Los sistemas dinmicos que presentan un comportamiento catico son no lineales y

Paradjicamente, son sistemas aperidicos y deterministas. Uno de los atributos

1.1. Las preguntas del caos

En un sistema aleatorio la secuencia de sucesos es independiente entre s. El orden de

Un sistema catico es aleatorio y determinista. El suceso antecedente puede generar

1.3. Espacio fase

1.4. Atractor extrao

la dimensin del atractor extrao no es un nmero entero. No es una recta de dimensin 1,

El atractor extrao es generado por repetidas iteraciones de un sistema determinista que

El atractor evidencia la presencia de orden en el caos. El orden queda al descubierto

El atractor de Lorenz es mtico porque es un descubrimiento casual que marca el inicio de

1.5. La ecuacin logstica

Fuente: Waldorp (1992).

El mapa logstico es una ecuacin diferencial o en diferencia (dependiendo de la

Finalmente, la iteracin de la ecuacin logstica para valores del parmetro = 4 genera

Fuente: Martn etal. (1998).

Fuente: Martn etal. (1998).

Si bien los sistemas dinmicos no lineales son ecuaciones deterministas, en tanto se

II. INVESTIGANDO CON MODELOS DINMICOS NO LINEALES

Ya con un contexto bsico sobre las definiciones de sistemas dinmicos, es posible

Si bien las aplicaciones tienen distintos niveles de profundidad o formalizacin, por lo

Ntese que el objetivo de este artculo es ms introducir a una lgica de investigacin

2.1. Modelos epidemiolgicos

enfatizando la modelacin de enfermedades que por su carcter transmisible presentan un

En primer lugar, en trminos de la importancia para la salud pblica que el control

La incidencia de la enfermedad por contagio horizontal que se muestra en la Figura4

nacimientos con nacimientos sin

muertes muertes muertes muertes muertes

Fuente: Sobre la base de Hethcote (2000).

donde S (t) + I (t ) + R (t) = N. Es conveniente enfatizar que si

S (0) + I (0) + R (0) = N,

M Nios con inmunidad pasiva.

E Personas expuestas en el periodo de infeccin latente.

R Personas recuperadas y que, por lo tanto, desarrollan inmunidad.

1/ Periodo de inmunidad pasiva promedio.

1/ Periodo de infeccin latente promedio.

1/ Periodo infeccioso promedio.

Ro Nmero (tasa) de reproduccin bsico.

Nmero (tasa) de contacto adecuados.

entonces de (1) se deduce que

por lo que S (t) + I (t) + R (t) es constante e igual a N para todo t.

con r (t) =1 s (t) i(t).

0 0.2 0.4 0.6 0.8 1

Fuente: Sobre la base de Hethcote (2000).

Las soluciones del modelo para valores de = 3 se presentan en la Figura6. As, se

Fuente: Sobre la base de Hethcote (2000).

va convirtiendo en poblacin infectada o recuperada, para luego alcanzar valores constantes.

En ambas aplicaciones se presentan preguntas similares a las que se realizan cuando

Estudiar la evolucin del crecimiento de un grupo de drogadictos en una comunidad en

Si bien aqu no interesa profundizar en la formalidad matemtica del modelo, es importante

S (t) Poblacin no adicta y susceptible.

I (t) Poblacin adicta.

L (t) Polica. Su funcin consiste arrestar a los adictos de la comunidad.

R (t) Poblacin arrestada. Se asume como permanente.

Tasa en la cual el contacto entre un adicto y no adicto produce un nuevo adicto.