Beruflich Dokumente
Kultur Dokumente
d x(t )
f e (t ) f s (t )
dt
(2.1)
Es decir, que la variacin (derivada) del estado con respecto al tiempo es igual a la diferencia
entre los flujos de entrada y de salida. Basta que exista algn tipo de relacin entre los flujos y
el estado para que la realimentacin est presente en el modelo dinmico. Una situacin muy
habitual es la representada por la ecuacin (2.2), donde ambos flujos guardan una
proporcionalidad con el estado. El diagrama de influencias en este caso, sin incluir los
parmetros a y b, pero explicitando los flujos de entrada y de salida, quedara como muestra la
Figura 2.1.
d x(t )
b x(t ) a x(t )
dt
+
fe
(2.2)
+
x
fs
x(t ) x(0) e ( b a ) t
(2.3)
150
100
50
0
0
10
15
20
25
tiempo (s)
Figura 2.2: Grfico comparativo entre la dinmica descrita por (2.2) con x(0)=50 y a=0.1, para dos
valores de b. El trazo en continuo corresponde a b=0.15 y el trazo discontinuo corresponde a b=0.08.
Figura 2.3: Tasa Bruta de Natalidad (grfica superior) y Tasa Bruta de Mortalidad (grfica inferior) sobre
el Total Nacional de la Poblacin Espaola generadas mediante consulta al INE en septiembre de 2014.
(2.4)
(2.5)
De ah que la programacin en Vensim de la ecuacin diferencial (2.5) tambin nos servir para
reproducir en simulacin cualquier crecimiento exponencial. En dicha programacin, vase
Figura 2.4, se ha utilizado una variable de estado, una variable de flujo y una variable auxiliar
que hace la funcin de parmetro (variable constante).
x
F
k
Figura 2.4: Estructura BERP en Vensim para simular la ecuacin diferencial (2.4). En dicha estructura se
hace explcita la relacin F (t ) k x(t ) entre el flujo F y el estado x a travs del parmetro k.
Al optar por programar el BERP no slo disponemos de un modelo dinmico continuo, que
en determinadas condiciones (k positivo y constante en toda la ventana temporal) es capaz de
simular el crecimiento exponencial. Sino que tambin disponemos de un modelo dinmico que
con ligeras modificaciones es capaz de generar otros comportamientos. Por ejemplo el
parmetro k podra ser variable con el tiempo o dependiente del estado. Estos comportamientos
recibirn nuestra atencin ms adelante.
Por ejemplo, el modelo de la Figura 2.4 nos puede servir para recrear un hipottico escenario
sobre la evolucin de la poblacin espaola en los prximos aos. En este escenario, si
suponemos que se van a mantener las tasas de natalidad y de mortalidad medias de los ltimos
aos (10.0 y 8.5 respectivamente), el parmetro k (en tanto por uno por ao) debera tener el
valor de (10.0-8.5)/1000=0.0015. El intervalo de simulacin sera el ao y la ventana temporal
podra ser de 101 aos, desde 2013 a 2113. Para completar el modelo nicamente nos faltara
incorporar el valor inicial del estado, este valor debera coincidir con el nmero aproximado de
personas que tena la poblacin espaola en 2013, 47 millones segn el INE.
2.2.1 Caractersticas del comportamiento dinmico del BERP.
1) El estado del BERP manifestar un crecimiento exponencial sostenido con un tiempo
de duplicacin td inversamente proporcional al valor del parmetro k.
En concreto,
td =
ln 2
0.7
k
k
(2.6)
td
20
10
x(0)
0
0
td
10
15
20
25
tiempo (s)
Figura 2.4: Crecimiento exponencial del estado en un bucle elemental de realimentacin positiva con
tasa de crecimiento k=0.1/s. De ah que el tiempo de duplicacin para el estado sea igual a siete
unidades de tiempo (segundos).
45
k=0.05
k=0.1
k=0.2
30
15
0
0
10
15
20
25
tiempo (s)
Figura 2.6: Grfico comparativo entre los comportamientos dinmicos que exhibe el bucle elemental
de realimentacin positiva a partir del mismo estado inicial, para distintos valores de la tasa de
crecimiento.
3) El estado del BERP manifestar un efecto multiplicador peridico, con una ganancia
en tanto por uno km que depende del periodo de tiempo T empleado en la observacin y
de la tasa de crecimiento k.
En concreto,
km e k T
(2.7)
(2.8)
Lgicamente, si de (2.7) se despeja T, se llega a la expresin (2.9) que nos da el tiempo que
debe transcurrir para que el estado del BERP resulte multiplicado por una cantidad concreta
km. Se puede comprobar que el tiempo de duplicacin es un caso particular de esta
expresin; se obtiene para km=2.
T
1
ln km
k
(2.9)
En concreto,
k p 100 e k T 1
(2.10)
kp
x(t T ) = x(0) e k (t T ) x(0) e k t e k T x(t ) e k T x(t ) 1+
100
kp
k T
ek T 1+
k p 100 e 1
100
(2.11)
kp
km 1+
100
(2.12)
kp
x(t nT ) = x(t ) 1+
100
(2.13)
En la Figura 2.7 se muestran las grficas de las dos ganancias como funcin del producto k
T, al que hemos representado como kT. Que se puede interpretar como una tasa de
crecimiento normalizada al periodo de observacin.
Ganancia km equivalente de un BERP
300
3.5
250
200
kp
km
4.5
2.5
150
100
1.5
50
1
0
0.2
0.4
0.6
0.8
1.2
1.4
kT
0.2
0.4
0.6
0.8
1.2
1.4
kT
Figura 2.7: Ganancia km y ganancia porcentual kp equivalentes de un BERP en funcin del producto
de la tasa de crecimiento k y del periodo de observacin T.
Una ojeada a la Figura 2.7 nos permite comprobar que para 0.7 la ganancia (grfica de la
izquierda) est algo por encima de 2 y la ganancia porcentual (grfica de la derecha) est
algo por encima del 100%, se confirma as que el tiempo de duplicacin, tiempo de
observacin necesario para que el estado del BERP haya duplicado su valor, coincide con el
valor dado por (2.6).
Lgicamente, si en el ltimo paso que ha servido para justificar la expresin (2.10) se
despeja T en lugar de kp, se llega a la funcin (2.14) que nos da el tiempo que debe
transcurrir para que el estado del BERP crezca un porcentaje concreto. Se puede comprobar
que el tiempo de duplicacin es un caso particular de esta expresin; se obtiene para kp=100.
T
kp
1
ln 1
k 100
(2.14)
ao? Sustituyendo
k=0.0015 y T=1 en (2.10) se obtiene un valor aproximado del 0.15%. Luego la
k p 100 k T
2.2.2 Modelo dinmico para simulacin de los depsitos bancarios a plazo fijo.
Otro fenmeno que se puede modelar con la estructura BERP son los depsitos bancarios a
plazo fijo. En estos depsitos es habitual que los intereses que se obtienen al final de cada
perodo de inversin no se retiren sino que se reinviertan o aadan al capital inicial, es decir, se
capitalicen. De ah que para determinar el capital final (CF) resultante de colocar un
determinado capital inicial (CI) a una tasa de inters (i), en tanto por ciento por periodo de
inversin, durante un perodo de tiempo, n veces el periodo de inversin, se aplique la frmula
del inters compuesto:
n
CF 1
CI
100
(2.15)
Observe que existe una total analoga entre esta frmula y la expresin (2.13). Luego
estamos ante el mismo comportamiento que exhibira un BERP con ganancia porcentual
equivalente kp=i por periodo de inversin T, y por tanto con tasa de crecimiento
k
1
i
ln 1
T 100
(2.16)
En base a esta analoga, un depsito bancario se puede simular con el modelo dinmico de la
Figura 2.8. Donde la variable de estado representa al capital instantneo, el flujo representa los
intereses, y la tasa de crecimiento es una variable auxiliar que depende de la tasa de inters y del
periodo de inversin segn (2.16). La ventaja de este modelo es que nos permite conocer tanto
el capital como los intereses en cualquier instante de tiempo. Mientras que la frmula del inters
compuesto (2.15) nicamente nos da el capital al vencimiento de cada periodo de inversin.
Capital
Intereses
Tasa de
crecimiento
Periodo de
inversin
Tasa de inters
Figura 2.8: Modelo dinmico en Vensim para simular el depsito bancario a plazo fijo.
En la Figura 2.9 se muestran las evoluciones del capital y de los intereses de un depsito de
6000 euros al 5% anual durante quince aos. Como unidad de tiempo y tambin como intervalo
de simulacin se ha elegido el mes. En la evolucin del capital se puede comprobar que con ese
inters, el depositario necesitara dejar inmovilizado el dinero durante aproximadamente 170
meses para duplicar el capital inicial. Este valor se podra haber determinado encadenando la
expresin (2.16) que nos da la tasa de crecimiento equivalente y la expresin del tiempo de
duplicacin (2.6). Ya slo falta sustituir T=12 meses e i=5%, luego
td
T ln 2
12 ln 2
0.7
172
i
5 0.004
ln 1
ln 1
100
100
Evolucin de los intereses en un depsito bancario a plazo fijo
60
12,000
48
9,000
36
euros
euros/mes
15,000
6,000
24
12
3,000
0
0
18
36
54
72
90
108
Tiempo (meses)
126
144
162
180
18
36
54
72
90
108
Tiempo (meses)
126
144
162
180
Figura 2.9: Simulacin en Vensim de un depsito de 6000 euros al 5% anual durante 15 aos.
y T=60 en (2.10) se obtiene un valor aproximado del 27%. Luego el capital en el mes 60
ser aproximadamente de 6000*1.27= 7627 euros. Valor que se puede contrastar en la
grfica del capital de la Figura 2.9.
Cuntos aos tendran que transcurrir para que el capital creciera un 50%?
10
Es decir que en ese tiempo, el capital alcanza los 6000*1.5=9000 euros. Como tambin
se puede comprobar en la grfica del capital.
2.3 Bucle elemental de realimentacin negativa (BERN).
(2.17)
Este modelo dinmico, que se conoce como bucle elemental de realimentacin negativa
(BERN), est caracterizado por una relacin proporcional (funcin afn) negativa entre el flujo
(el nico flujo del sistema o bien el flujo neto) y el estado. Como hiptesis adicional se
incorpora que la proporcin, representada por el parmetro k 0 , no vara con el tiempo. Por
tanto, el flujo viene dado por F (t ) -k x(t ) y el modelo matemtico del BERN en forma
compacta se describe mediante la siguiente ecuacin diferencial de primer orden:
d x(t )
- k x(t )
dt
(2.18)
x
F
k
Figura 2.10: Estructura BERN en Vensim para simular la ecuacin diferencial (2.18). En dicha
estructura se hace explcita la relacin F (t ) k x(t ) entre el flujo F y el estado x a travs del
parmetro k. Mientras que el signo menos est implcito al haberlo trazado como un flujo de salida
del estado.
En concreto,
VM
ln 2 0.7
k
k
(2.19)
11
x(0) x(0)
0.5 x(0)
eln 2
2
Por tanto queda demostrado que el valor de estado, que en t 0 vala x(0), se habr
reducido a la mitad de su valor cuando ha transcurrido un tiempo igual a la vida media
(VM). Observe que VM guarda la misma relacin con k que td (el tiempo de duplicacin).
Por tanto, ambos tiempos coinciden pero se aplican a bucles elementales de realimentacin
con signos contrarios y tienen distintos significados. Como se hizo en la Seccin anterior, se
puede demostrar que esta propiedad (la vida media) tiene carcter general, es decir, que
x(t +VM ) x(0) e- k t +VM x(0) e k t e- ln 2 0.5 x(t )
De ah que la vida media sea una caracterstica del decrecimiento exponencial, y se define
como el tiempo que tarda el estado x(t) en reducirse a la mitad. Luego, el valor del estado en
un BERN decrece exponencialmente y un tiempo VM ms tarde habr reducido su valor a la
mitad del valor actual. La Figura 2.11 resume esta caracterstica. Observe que el estado ha
pasado del valor inicial x(0) 5 a la mitad de su valor, 2.5, en siete unidades de tiempo. De
la misma forma se observa que en t 5 el estado vale 3 y en t 12 , siete unidades de
tiempo ms tarde, el estado vale 1.5. Por tanto, la vida media del estado en este BERN es de
7 segundos, debido a que su tasa de crecimiento vale 0.1/s.
Decrecimiento exponencial en el estado del BERN
6
VM
3
2
VM
1
0
0
10
15
20
25
tiempo (s)
Figura 2.11: Decrecimiento exponencial del estado en un bucle elemental de realimentacin negativa
con tasa de decrecimiento k=0.1/s. De ah que la vida media del estado sea igual a siete unidades de
tiempo (segundos).
12
4.5
k=0.05
k=0.1
k=0.2
1.5
0
0
10
15
20
25
tiempo (s)
Figura 2.12: Grfico comparativo entre los comportamientos dinmicos que exhibe el bucle
elemental de realimentacin negativa a partir del mismo estado inicial, para distintos valores de la
tasa de decrecimiento.
3) El estado del BERN manifestar un efecto atenuador peridico, con una ganancia en
tanto por uno ka que depende del periodo de tiempo T empleado en la observacin y de
la tasa de crecimiento k.
En concreto,
ka e k T
(2.20)
13
(2.21)
(2.22)
En concreto,
kd 100 1 e k T
(2.23)
14
(2.24)
k
ka 1- d
100
(2.25)
k
x(t nT ) = x(t ) 1- d
100
(2.26)
En la Figura 2.13 se muestran las grficas de las dos ganancias como funcin del producto k
T. Se puede comprobar que para 0.7 la ganancia (grfica de la izquierda) est algo por
encima de 0.5 y la ganancia porcentual (grfica de la derecha) est algo por encima del 50%,
se confirma as que la vida media, tiempo de observacin necesario para que el estado del
BERN haya decrecido a la mitad de su valor, coincide con el valor dado por (2.19).
Ganancia porcentual kd equivalente de un BERN
100
0.9
90
0.8
80
0.7
70
0.6
60
kd
ka
0.5
50
0.4
40
0.3
30
0.2
20
0.1
10
0.5
1.5
2.5
kT
3.5
4.5
0.5
1.5
2.5
kT
3.5
4.5
Figura 2.13: Ganancia ka y ganancia porcentual kd equivalentes de un BERN en funcin del producto
de la tasa de crecimiento k y del periodo de observacin T.
(2.27)
Es decir,
T
1
k
(2.28)
Efectivamente, una ojeada a la grfica de kd en la Figura 2.13 nos permite comprobar que
transcurrido un tiempo igual a la inversa de la tasa de crecimiento, k T 1 , el estado ha
decrecido el 63.2%. Este tiempo se conoce como la constante de tiempo del bucle de
realimentacin negativa. Pero adems, tambin en la grfica de kd, se puede comprobar que
en aproximadamente cinco constantes de tiempo, el estado ha decrecido casi el 100% y por
15
kd 100 k T
Los sistemas de calefaccin de una vivienda estn diseados para regular la temperatura en
el interior de la vivienda a un valor ms o menos estable independientemente de las condiciones
ambientales. Pero la regulacin no se suele hacer durante todo el da, el sistema de calefaccin
se programa para que tenga periodos grandes de apagado y de encendido. Uno de los periodos
grandes de apagado corresponde a la noche. Es decir, que a una cierta hora de la noche el
sistema de calefaccin se desconecta y la vivienda comienza a enfriarse como consecuencia de
que la temperatura exterior es menor.
En la Figura 2.14 se muestra el modelo dinmico que vamos emplear para simular el
enfriamiento de la vivienda. La variable de estado representa la temperatura en el interior de la
vivienda, el flujo representa las prdidas trmicas derivadas de la transferencia de calor entre la
vivienda (foco caliente) y el exterior (foco fro). Estas prdidas las hacemos directamente
proporcionales a la diferencia instantnea entre las temperaturas e inversamente proporcionales
a la tasa de aislamiento trmico de la vivienda, para ello utilizamos la siguiente expresin
matemtica:
Perdidas termicas (t )
16
afirmar que esta evolucin ser anloga a un decrecimiento exponencial con una tasa de
decrecimiento k igual al inverso de la tasa de aislamiento.
En la parte derecha de la Figura 2.14 se muestran los resultados de dos simulaciones. En ambos
casos se ha supuesto que la vivienda estaba a una temperatura de 21C (este valor tiene la
consideracin de temperatura de confort en una vivienda) cuando se apag la calefaccin.
Tambin se ha supuesto que la temperatura exterior era de 10C en ese momento, y as
permanecer durante toda la noche. Las dos simulaciones duran 10 horas, el tiempo necesario
para cubrir al menos todo periodo de noche (8 horas de sueo y 2 horas antes) desde las 22:00 h
a las 8:00 h. La temperatura en la vivienda evoluciona de forma diferente en las dos
simulaciones porque se han considerado dos escenarios distintos; el primero con una tasa de
aislamiento igual a 2 y el segundo con una tasa de aislamiento igual a 5.
Evolucin de las temperaturas
25
Temperatura
interior
20
Perdidas termicas
15
10
5
Tasa de aislamiento
Temperatura
exterior
0
0
4
5
6
Tiempo (horas)
10
Figura 2.14: Modelo dinmico en Vensim para simular el enfriamiento de una vivienda. Y resultados de
simulacin para dos escenarios con diferentes tasas de aislamiento.
17
contraer una gripe y el curarse suelen transcurrir aproximadamente siete das. Estas situaciones
se pueden representar en los modelos dinmicos empleando el retraso temporal. De ah que en el
Tema 1, cuando se presentaron los diagramas de influencias y los diagramas de Forrester, se
incluyeran smbolos especiales para indicar los retrasos. Pero en ninguno de los diagramas
vistos hasta ahora se ha hecho un uso explcito de estos smbolos.
Por ejemplo, el diagrama de la Figura 1.2 se podra ampliar incluyendo un retraso explcito en la
influencia entre la Poblacin y los Nacimientos, este retraso representara el tiempo de gestacin
de la correspondiente poblacin humana o animal. Este retraso no altera el signo de la influencia
ni por tanto la naturaleza del bucle de realimentacin positiva entre estas dos variables.
+
Nacimientos
Poblacin
Muertes
Tasa de
Natalidad
Tasa de
Mortalidad
Figura 2.15: Diagrama de influencias del proceso de evolucin de una poblacin, donde se ha hecho
explcito un retraso entre la Poblacin y los Nacimientos.
En los diagramas de Forrester los retrasos se pueden presentar tanto en los canales materiales
como en los canales de informacin, por tanto se suelen distinguir dos tipos de retrasos: los
retrasos en la transmisin de informacin (RTI) y los retrasos en la transmisin de material
(RTM). Por ejemplo, un RTI podra estar asociado al tiempo medio que se necesita para que una
campaa publicitaria surta efecto en los consumidores potenciales. Otro RTI servira para
representar el tiempo medio que transcurre desde que un grupo de mujeres se quedan
embarazadas hasta que nacen sus respectivos hijos. De manera que, como las hembras forman
parte de la poblacin, el diagrama de la Figura 1.3 se podra ampliar incluyendo un retraso
explcito en el canal de informacin entre la variable de estado POB y la variable de flujo NAC
tal como sigue.
POB
NAC
MU
RTI
TN
TE
TM
Figura 2.16: Diagrama de Forrester del proceso de evolucin de una poblacin , donde se ha hecho
explcito un retraso de informacin (TE, tiempo de embarazo) entre la Poblacin y los Nacimientos.
18
FETOS
flujo retrasado de la entrada, y TE (9 meses en este caso) en la casilla inferior de la derecha para
indicar el valor del retraso.
RTM
POB
NAC
TE
EMB
MU
TM
TN
Figura 2.17: Diagrama de Forrester del proceso de evolucin de una poblacin , donde se ha hecho
explcito el flujo de Embarazos y el retraso material entre este flujo y los Nacimientos.
Otro ejemplo de RTM podra estar asociado al tiempo que tarda una determinada empresa en
servir un producto a sus clientes. Pues, aunque este tiempo es dependiente del domicilio del
destinatario se puede hablar de un retraso genrico, el mismo para todos, igual al tiempo de
entrega medio. El retraso se situara entre un hipottico flujo de Pedidos y el flujo de Entregas.
De forma anloga podramos emplear un RTM para representar el tiempo que tardan en curarse
un grupo de personas que han contrado la gripe un mismo da. Pues, aunque cada persona tarda
un tiempo diferente en curarse, se podra considerar un valor medio de siete das para todas
ellas. El retraso se situara entre un hipottico flujo de Casos nuevos de gripe y el flujo de
Curaciones. La variable de estado asociada al retraso servira en este caso para tener constancia
en todo momento del nmero de personas enfermas de gripe. La importancia de este tipo de
retraso se volver a poner de manifiesto en un posterior ejemplo, pero sobre todo por la atencin
especial que recibir a lo largo de este curso.
Por otro lado, los retrasos tienen una representacin muy simple en los modelos
matemticos. Si y(t) representa el valor instantneo de una variable del modelo dinmico, la
variable yr(t) retrasada T unidades de tiempo, el tiempo de retraso, respecto a y(t) queda definida
por la expresin:
yr (t ) y (t - T )
La Figura 2.18 es un ejemplo de una seal y(t), variable en el tiempo, y la seal retrasada
yr(t) en 10 unidades de tiempo. Se puede observar que la seal original y la seal retrasada
evolucionan de la misma forma a lo largo del tiempo.
10
yr
4
2
0
0
10
20
30
40
50
60
70
80
90
100
Tiempo (segundos)
19
En Vensim existe una funcin para la simulacin del retraso puro, se trata de la funcin
DELAY FIXED que recibe como parmetros la variable a retrasar, el valor del retraso y el valor
inicial que debe tomar la variable retrasada. Por ejemplo la relacin entre la variable yr y la
variable y de la Figura 2.18 se ha programado en Vensim con la sentencia yr = DELAY FIXED
(y,10,0).
Los retrasos de informacin se podrn incorporar fcilmente en Vensim mediante la funcin
DELAY FIXED, de forma similar a como se ha hecho para generar la Figura 2.18. Sin embargo
necesitaremos una estructura elemental como la de la Figura 2.19a para incorporar los retrasos
en la transmisin de material. El flujo de entrada servir para representar la seal original y el
flujo de salida servir para representar la seal retrasada. Por tanto estas variables deben estar
relacionadas con la sentencia fs =DELAY FIXED (fe,T,fs_inicial), donde T representa el valor del
retraso y fs_inicial debera tener el mismo valor numrico que el flujo de entrada inicial. La
variable de estado de esta estructura elemental sirve, como ya se ha comentado anteriormente,
para tener constancia en todo momento de la cantidad de material que est transitando por el
correspondiente canal material. En la Figura 2.19b se muestra como sera el diagrama de
Forrester del modelo en Vensim de la Figura 2.19a. Mientras que en la Figura 2.19a se ha
encuadrado con trazo discontinuo todo lo que se ha integrado en la estructura RTM.
RTM
fs
T
x
fe
fe
fs
(a)
(b)
Figura 2.19: (a) Estructura elemental para simular en Vensim un retraso fijo entre las variables de flujos
fe y fs. La variable T, que representa el valor del retraso, debe aparecer en la relacin fs = DELAY FIXED
(fe,T,fs_inicial), donde fs_inicial debera tener el mismo valor numrico que el flujo de entrada inicial; (b)
Diagrama de Forrester correspondiente al modelo de la izquierda, haciendo uso explcito de un retraso en
la transmisin de material.
Otros autores, (Aracil, 1986 y 1997) (Coyle, 1996), proponen simular el retraso en la
transmisin de material mediante una aproximacin de primer orden. Donde el flujo de entrada
fe se acumula en la variable de estado x y fluye retrasado a la salida mediante el flujo fs. El flujo
de salida mantiene en todo instante una proporcin inversa a la variable de estado, la proporcin
es precisamente el valor T del retraso que se quiere aproximar. Una mejor aproximacin,
tambin recomendada por estos autores, se consigue si se encadenan varias aproximaciones de
primer orden con una proporcionalidad igual a T / n siendo n el orden de la aproximacin. Estas
aproximaciones dan lugar a ciertas estructuras elementales que se pueden consultar en (Morilla
y Dormido 2012). En Vensim existen dos funciones DELAY1I y DELAY3I que permiten
programar respectivamente las aproximaciones de primer orden y de tercer orden del retraso.
2.4.1 Modelo para simulacin discreta de los depsitos bancarios a plazo fijo.
En el apartado 2.2.2 se vio que los depsitos bancarios a plazo fijo se podan modelar con la
estructura BERP. A continuacin vamos a ver que tambin se pueden modelar como un bucle
de realimentacin en el que interviene un retraso de transmisin de informacin. Basta
particularizar la frmula del inters compuesto (2.15) en un instante de tiempo t durante un
perodo de inversin para llegar a la siguiente expresin recursiva:
i
C t T 1
C (t )
100
20
Donde el capital dentro de un perodo de inversin C(t+T), al que hemos llamado Capital
posterior en el modelo en Vensim de la Figura 2.20, depende del capital C(t) actual, al que
hemos llamado Capital en el modelo, y de la tasa de inters (i). El bucle de realimentacin y en
consecuencia el modelo en Vensim se ha completado incluyendo la relacin de retraso de un
perodo de inversin T que existe entre la variable Capital y Capital posterior, pues
C t C t T T , de la forma siguiente:
Capital =DELAY FIXED (Capital posterior,Periodo de inversion,Capital inicial)
Donde tambin aparece el Capital inicial, al que en lugar de dejar como variable hemos
asignado el mismo valor 6000 euros que en la simulacin de la Figura 2.9.
Capital
posterior
Tasa de inters
Capital
Periodo de
inversin
Figura 2.20: Modelo dinmico en Vensim que hace uso del retraso para simular el depsito bancario a
plazo fijo.
En la Figura 2.21 se muestra la evolucin del capital generada con este nuevo modelo para
un depsito de 6000 euros al 5% anual durante quince aos. Dicha evolucin se muestra con un
trazo en azul y est etiquetada como simulacin discreta para diferenciarla de la evolucin del
capital generada con el modelo de la Figura 2.8, que se muestra con un trazo en rojo y est
etiquetada como simulacin continua. El capital en trazo azul permanece constante entre
periodos de inversin y tiene saltos bruscos al vencimiento de cada periodo de inversin. El
nuevo modelo reproduce estrictamente la funcionalidad de la frmula del inters compuesto, no
aporta ninguna de las ventajas que tena el modelo basado en el BERP.
Evolucin del capital en un depsito bancario a plazo fijo
15,000
12,000
9,000
6,000
3,000
0
0
18
Simulacin discreta
36
54
72
90
108
Tiempo (meses)
126
144
162
180
Simulacin continua
Figura 2.21: Simulacin discreta (con el modelo de la Figura 2.20) y simulacin continua (con el modelo
de la Figura 2.8) de un depsito de 6000 euros al 5% anual durante 15 aos.
21
En este apartado vamos a utilizar la informacin disponible sobre un brote de faringitis para
plantear varios modelos dinmicos elementales capaces de simular el brote. Se dispone de la
siguiente informacin: En un aula de 50 alumnos se produjo un brote de faringitis por
adenovirus. El registro de casos indica que todos los casos se produjeron en alumnos diferentes
durante un mes de septiembre. Concretamente el da 9 aparecieron 4 casos; 3 casos el da 12, y
5 casos el da 22.
La consecuencia directa entre la aparicin de los casos de enfermedad y sus curaciones se va a
imponer en el modelo basndonos en la hiptesis de que la faringitis es un proceso que dura 7
das. Es decir, que todo caso de enfermedad se manifestar siempre como un caso de curacin
de la enfermedad transcurrido un periodo de tiempo fijo, la duracin caracterstica de la
faringitis en este caso. Esta relacin la recogeremos en el modelo empleando un retraso de
transmisin de material (RTM). Aun as, no existe una nica solucin al problema planteado, la
estructura del modelo en Vensim puede ser todo lo simple o compleja que se quiera, siempre
que reproduzca la informacin disponible.
La Figura 2.22 muestra una primera estructura, donde se ha hecho uso de una variable de
estado, dos variables de flujo y dos variables auxiliares:
El estado Enfermos de faringitis nos va a permitir tener informacin instantnea del
de faringitis en el aula. Su representacin grfica nos dar la curva epidmica del brote.
El flujo Curaciones de faringitis nos va a permitir recrear la curacin diaria de los
enfermos de faringitis.
La variable auxiliar Duracin de la faringitis la utilizaremos como una constante
(parmetro), para forzar que la curacin de los enfermos de faringitis se produzca justo 7
das despus de que stos hayan enfermado.
La variable auxiliar unidad de tiempo no tiene un papel funcional en el modelo,
Casos nuevos de
faringitis
Enfermos de
faringitis
Curaciones de
faringitis
<Time>
unidad de tiempo
Duracion de la
faringitis
Figura 2.22: Posible estructura del modelo en Vensim para recrear el brote de faringitis.
El resto de componentes grficos en el modelo (una nube fuente inagotable, una nube
sumidero, la variable temporal <Time> y las tres flechas simples de color azul) se justifican
de la siguiente manera:
La fuente inagotable la genera automticamente el entorno de simulacin como origen
Curaciones de faringitis.
22
unidad de tiempo mediante sendas flechas al flujo de Casos nuevos de faringitis para
hacer que ste se comporte como una variable exgena, es decir como una variable que
depende nicamente del tiempo.
Las otras dos flechas son necesarias para conseguir que el flujo de Curaciones de
faringitis sea exactamente igual al flujo de Casos nuevos de faringitis pero retrasado
exactamente los 7 das que dura la enfermedad.
El cuadro de dilogo donde se eligen los parmetros de la simulacin se ha rellenado con los
siguientes valores: INITIAL TIME=0, FINAL TIME=30, TIME STEP=1, Units for Time=dia. De
manera que el instante inicial t=0 representar el ltimo da de agosto. Los instantes desde t=1 a
t=30, representarn los treinta das del mes de septiembre.
El modelo est descrito por las ecuaciones (1) a (3), que se han ido incorporando en Vensim
a travs de las correspondientes ventanas de edicin.
d Enfermos de faringitis (t )
dt
Casos nuevos de faringitis (t ) F (t )
(2)
(3)
En la edicin de la ecuacin (1), vase Figura 2.23, hay que destacar el valor inicial nulo de
la variable Enfermos de faringitis, pues el ltimo da de agosto no haba ningn alumno enfermo
en el aula. Una atencin especial merece la variable Casos nuevos de faringitis en la que se ha
hecho uso de una tabla (WITH LOOKUP) dependiente del tiempo. En las ventanas de la Figura
2.24 se puede observar como se han incorporado los 12 casos registrados en el brote; 4 casos el
da 9, 3 casos el da 12 y 5 casos el da 22. El resto de valores nulos son necesarios para que
cuando Vensim calcule por interpolacin el flujo en otros instantes de tiempo, ste tambin
resulte nulo. Por ltimo en la variable Curaciones de faringitis se ha hecho uso de la funcin
DELAY FIXED, tal como muestra la Figura 2.25, dado que previamente se ha definido la
Duracin de la faringitis, vase Figura 2.26.
Figura 2.23: Ventana de edicin en Vensim para la ecuacin (1) del brote de faringitis.
23
Figura 2.24: Ventanas de edicin en Vensim para la ecuacin (2) del brote de faringitis.
Figura 2.25: Ventana de edicin en Vensim para la ecuacin (3) del brote de faringitis.
Figura 2.26: Ventana de edicin en Vensim para la ecuacin (3) del brote de faringitis.
En las Figuras 2.23 a 2.26 se puede comprobar adems que hemos hecho un esfuerzo,
definiendo las unidades de todas y cada una de las variables, para que el modelo pase
correctamente el chequeo de unidades.
En la Figura 2.27 se presentan, a modo de ejemplos, el diagrama de influencias y el diagrama
de Forrester que representaran al brote de faringitis. En el diagrama de influencias se puede
comprobar que no hay ningn bucle de realimentacin. Y el diagrama de Forrester ha quedado
muy simple gracias a la utilizacin del bloque retraso.
+
Casos nuevos
de faringitis
Curaciones
de faringitis
Enfermos
de faringitis
Casos
nuevos de
faringitis
Enfermos de
faringitis
(Duracin de
la faringitis)
RTM
Curaciones de
faringitis
Duracin de
la faringitis
24
Al ejecutar la simulacin podremos observar las grficas de las Figuras 2.28 y 2.29 para las
tres variables representativas del modelo (los dos flujos y el estado). El primer flujo, como ya se
ha comentado antes, representa la curva epidmica del brote. Los casos nuevos de faringitis
aparecen con los valores deseados (4, 3 y 5) los das 9, 12 y 22 del mes de septiembre.
Provocando las respectivas curaciones los das 16, 19 y 29, por tanto 7 das despus en todos los
casos. El nmero de enfermos de faringitis en el aula evoluciona de forma escalonada con saltos
escaln de valores +4, +3, -4, -3, +5 y -5 provocados por los respectivos cambios en los flujos.
El salto positivo de 4 unidades observado el da 10 de la simulacin est provocado por la
aparicin de los 4 primeros casos, el da 9 de septiembre. El salto positivo de 3 unidades
observado el da 13 de la simulacin est provocado por la aparicin de los 3 casos, el da 12,
cuando los que enfermaron el da 9 an no se han curado. El salto negativo de 4 unidades
observado el da 17 de la simulacin est provocado por la curacin de los 4 primeros casos. Y
as sucesivamente se explican el resto de escalones.
Curaciones de faringitis
6
4.5
4.5
personas/dia
personas/dia
1.5
1.5
0
0
10 12 14 16 18
Time (dia)
20 22 24
26 28
30
10
12
14 16 18
Time (dia)
20
22
24
26 28
30
Figura 2.28: Evolucin temporal del flujo Casos nuevos de faringitis. Es la curva epidmica del brote. Y
evolucin temporal del flujo Curaciones de faringitis.
Enfermos de faringitis
8
personas
0
0
10
12
14 16 18
Time (dia)
20
22
24
26
28
30
Otra posible estructura para el modelo. La caracterstica principal del modelo de la Figura
2.22 es que hemos utilizado un estado por el que transitan todos los enfermos de faringitis,
permaneciendo en l un tiempo fijo (la duracin de la faringitis). La Figura 2.30 muestra otra
posible estructura del modelo en Vensim, que a diferencia de la anterior hace uso de dos
variables de estado, facilitando en todo momento informacin simultnea de los alumnos sanos
y de los alumnos enfermos de faringitis. Las ecuaciones del nuevo modelo son muy parecidas y
fcilmente replicables a partir del modelo anterior, por lo que su programacin o comprobacin
se deja como ejercicio al estudiante. La caracterstica principal de este nuevo modelo es que los
alumnos del aula transitan por dos estados, en el estado sano pueden estar indefinidamente
mientras que en el estado enfermo permanecern un tiempo fijo (la duracin de la faringitis).
25
Duracion de la
faringitis
Curaciones de
faringitis
Sanos
Casos nuevos de
faringitis
Enfermos de
faringitis
<Time>
unidad de tiempo
Figura 2.30: Otra posible estructura del modelo en Vensim para recrear el brote de faringitis.
La Figura 2.31 muestra la evolucin de los alumnos sanos, donde se puede comprobar su
complementariedad hasta la cifra de 50 con la evolucin de los alumnos enfermos de faringitis.
Para conseguir esta informacin no habra sido necesaria la incorporacin de la segunda
variable de estado, se podra haber resuelto de otra forma; por ejemplo aadiendo una variable
auxiliar Alumnos en el aula con valor constante igual a 50 y una variable auxiliar Sanos
calculada como la diferencia entre los Alumnos en el aula y los Enfermos de faringitis.
Sanos
50
personas
47.5
45
42.5
40
0
10
12 14 16 18 20
Time (dia)
22
24 26
28
30
Sanos : Brote_faringitis_M2
Ampliacin de los dos modelos anteriores. Los dos modelos anteriores cumplen los
objetivos previstos en el enunciado, pero tienen la limitacin de que no estn preparados para
ser usados cuando en el instante inicial de simulacin existe ya un nmero de alumnos enfermos
de faringitis. Esta limitacin se puede resolver incluyendo un flujo auxiliar programado en el
tiempo que vaya extrayendo del estado Enfermos de faringitis a los enfermos iniciales en los
siete primeros das de la simulacin. Este flujo debe tener valores nulos a partir del sptimo da,
pues ya no quedara ninguno enfermo inicial por curarse. Y debe tener algn valor no nulo en
los siete primeros das. Pero adems habr que asegurarse de que la suma de los siete nmeros
coincida con la especificacin de enfermos iniciales.
mismo da. Esta situacin tiene sobre todo sentido cuando estamos suponiendo que una
sola persona est enferma inicialmente. El escenario queda perfectamente definido
especificando el da 1, 2, 3, 4, 5, 6 7 en el que se encuentran los enfermos. En
26
en los siete das que dura la enfermedad. Es decir que un sptimo de los enfermos de
faringitis se encuentra en el instante inicial en su primer da de enfermedad, otro sptimo
en el segundo da y as sucesivamente. El escenario queda perfectamente definido sin
necesidad de especificacin adicional. El flujo auxiliar generara el mismo valor distinto
de cero para los siete das.
Escenario 3: los enfermos de faringitis iniciales se encuentran irregularmente
distribuidos en los siete das que dura la enfermedad. El escenario queda perfectamente
definido especificando el nmero de enfermos que se encuentra en cada da de la
enfermedad. El flujo auxiliar generara esos siete valores, algunos de los cuales podran
ser nulos, para los siete das.
En la Figura 2.32 se muestra una ampliacin del modelo de la Figura 2.30. Las dos nuevas
variables Sanos iniciales y Enfermos iniciales, permiten especificar el reparto inicial de los
alumnos en los dos posibles estados. La nueva variable auxiliar Curaciones de enfermos
iniciales de faringitis dependiente del tiempo provocar que los enfermos iniciales se vayan
curando en los siete primeros das de la simulacin. La nueva variable auxiliar Curaciones de
los casos de faringitis como una variable retrasada de los Casos nuevos de faringitis, provocar
que los enfermos se vayan curando en siete das. Mientras que el flujo Curaciones de faringitis
es ahora una simple suma de todas las curaciones.
Curaciones de
faringitis
Sanos
Sanos iniciales
Enfermos de
faringitis
Casos nuevos de
faringitis
Enfermos iniciales
<Time>
Curaciones de los
casos de faringitis
unidad de tiempo
Duracion de la
faringitis
Curaciones de enfermos
iniciales de faringitis
Figura 2.32: Ampliacin del modelo de la Figura 2.30 para contemplar la existencia de enfermos
iniciales en el brote de faringitis.
27
Figura 2.33: Ventanas de edicin de la variable Curaciones de enfermos iniciales de faringitis para
recrear que hay siete alumnos inicialmente enfermos y stos se encuentran regularmente distribuidos, uno
por da, en los siete das que dura la enfermedad.
Al ejecutar la simulacin podremos observar las grficas de las Figuras 2.34 para las cuatro
variables representativas del modelo (los dos flujos y los dos estados). El primer flujo,
evoluciona de la misma forma que en los modelos anteriores, recuerde que representa la curva
epidmica del brote y estamos simulando el mismo brote. En el segundo flujo se observa que
tres las curaciones del brote, los das 16, 19 y 29, estn precedidas de las curaciones de los siete
enfermos iniciales, una curacin diaria en los das 0 a 6. En la evolucin del nmero de
enfermos de faringitis en el aula se observa que los saltos escaln comentados anteriormente
estn precedidos de una rampa, que representa el descenso progresivo, por curacin, de los
enfermos iniciales. Y por ltimo en la evolucin del nmero de alumnos sanos se observan los
cambios complementarios hasta el nmero total de alumnos, que sigue siendo 50.
Curaciones de faringitis
6
4.5
4.5
personas/dia
personas/dia
1.5
1.5
0
0
10
12
14 16 18
Time (dia)
20
22
24
26 28
30
12
14 16 18
Time (dia)
20
22
24
26 28
30
22
24
26
30
Sanos
Enfermos de faringitis
60
55
personas
personas
10
50
45
40
0
0
Sanos : Brote_faringitis_M3
10
12 14 16 18 20
Time (dia)
22
24 26
28
30
10
12
14 16 18
Time (dia)
20
28
28
Curaciones de
faringitis
Sanos
Sanos iniciales
Enfermos de
faringitis
Casos nuevos de
faringitis
Enfermos iniciales
<Time>
Curaciones de los
casos de faringitis
unidad de tiempo
Curaciones de enfermos
iniciales de faringitis
Duracion de la
faringitis
Figura 2.35: Modelo alternativo al de la Figura 2.30 cuando los enfermos iniciales se consideran
distribuidos uniformemente en los das que dura la enfermedad.
29
Los dos grupos de edades intermedios tendrn como flujo de entrada y como flujo de
aproximacin vamos a suponer que las mortalidades en los tres primeros grupos de edad
son despreciables en el conjunto de la poblacin.
La natalidad se puede asociar al conjunto de la poblacin pero es mejor asociarla al
Nacimientos
Grupo Edad
(0-14)
+
FlujoG1aG2
Grupo Edad
(15-44)
FlujoG2aG3
Grupo Edad
(45-64)
FlujoG3aG4
Grupo Edad
(65 y ms)
FlujoG1aG2
Permanencia
Grupo (0-14)
RTM
FlujoG2aG3
Permanencia
Grupo (15-44)
Grupo Edad
(45-64)
RTM
Grupo Edad
(15-44)
Grupo Edad
(0-14)
Tasa de
Natalidad en
Grupo Edad
(15-44)
Tasa de
Mortalidad en
Grupo Edad
(65 y ms)
Tasa de
Natalidad en
Grupo Edad
(15-44)
Nacimientos
Muertes
RTM
FlujoG3aG4
Grupo Edad
(65 y ms)
Permanencia
Grupo (45-64)
Muertes
Tasa de
Mortalidad en
Grupo Edad
(65 y ms)
30
En la Figura 2.37 se muestra el modelo en Vensim. Observe que los cuatro grupos de edad
estn dispuestos de forma secuencial para dar ms legibilidad al modelo. En los tres flujos entre
grupos se ha seguido la notacin flujo del grupo origen al grupo destino, de ah las variables
FlujoG1aG2, FlujoG2aG3 y FlujoG3aG4. En todos los grupos de edad se ha considerado,
como parametrizable, la poblacin inicial, de ah las cuatro variables de poblaciones iniciales en
la parte inferior del modelo. En los flujos de salida de los tres grupos intermedios se ha
empleado una estructura similar a la empleada en el modelo de la Figura 2.35, por tanto se est
suponiendo que la poblacin inicial de los tres primeros grupos de edad est distribuida
uniformemente en el rango de edades correspondiente. As, el FlujoG1aG2 es suma del flujo
debido a la poblacin inicial en el grupo de 0 a 14 aos y del flujo por permanencia en ese
grupo, obtenido como retraso de los Nacimientos. Por ltimo queda claro que los Nacimientos
se calculan a partir de la poblacin total y que las Muertes se calculan nicamente en funcin de
la tasa de mortalidad del grupo de 65 y ms aos de edad.
Poblacion Total
Nacimientos
Tasa de natalidad
en G2
Grupo Edad
(0-14)
FlujoG1aG2
Flujo por
permanencia en G1
Tiempo de
permanencia en G1
Grupo Edad
(15-44)
FlujoG2aG3
Flujo por
permanencia en G2
Grupo Edad
(45-64)
FlujoG3aG4
Grupo Edad
(65 y ms)
Muertes
Flujo por
permanencia en G3
Poblacion inicial
en G1
Poblacion inicial
en G2
Tasa de
mortalidad en G4
Flujo por poblacion
inicial en G3
Poblacion inicial
en G4
Poblacion inicial
en G3
Figura 2.37 Modelo en Vensim de poblacin distribuida en grupos de edad. Donde los tiempos de
permanencia en los tres primeros grupos de edad estn garantizados por el uso de los retrasos.
A continuacin se han recreado varios escenarios en simulacin con este modelo. Todos
ellos tienen en comn: los parmetros de simulacin (INITIAL TIME=0, FINAL TIME=200,
TIME STEP=1), la Tasa de natalidad en G2=0.010 (un valor similar al considerado en el
primer apartado del tema, aunque podra ser algo mayor pues la tasa est referida nicamente a
al grupo de 15 a 44 aos), la Tasa de mortalidad en G4=0.102 (un valor mucho mayor al
considerado en el primer apartado del tema, pues la tasa est referida nicamente al grupo de 65
y ms aos de edad) y una poblacin inicial de 1000 personas. La diferencia vendr marcada
por la asignacin de la poblacin inicial. El escenario 1 recrea la evolucin de una poblacin
envejecida, toda la poblacin inicial pertenece al grupo de 65 y ms aos de edad. El escenario
2 recrea la evolucin de una poblacin adulta perteneciente al grupo de 45 a 64 aos. El
escenario 3 recrea la evolucin de una poblacin joven perteneciente al grupo de 15 a 44 aos.
Y el escenario 4 recrea la evolucin de una poblacin infantil perteneciente al grupo de 0 a 14
aos.
En el primer escenario se observa, como era de esperar, el decrecimiento exponencial de la
poblacin. En aproximadamente 50 aos, cinco veces el inverso de la tasa de mortalidad en G4,
toda la poblacin ha fallecido. Lgicamente el nico flujo de inters en este escenario, las
Muertes, tambin decrece exponencialmente. Los resultados de la simulacin se presentan en la
Figura 2.38.
31
Flujos
200
750
150
500
100
250
50
0
0
20
40
60
80
100 120
Tiempo (aos)
140
160
180
200
20
40
60
Nacimientos
FlujoG1aG2
FlujoG2aG3
80
100 120
Tiempo (aos)
140
160
180
200
FlujoG3aG4
Muertes
En el segundo escenario se observa, como era de esperar, que el total de la poblacin acaba
falleciendo. Pero la evolucin de la poblacin ya no es exponencial sino que tiene una forma
sigmoidal. Esta evolucin es consecuencia de un vaciado progresivo del grupo de 45 a 64 aos y
de un llenado exponencial y posterior vaciado exponencial del grupo de 65 y ms aos. El
vaciado total del grupo 3 se produce en 20 aos, los aos de permanencia en este grupo de las
personas que tenan 45 aos al comenzar la simulacin. La desaparicin de la poblacin se
produce en aproximadamente 70 aos, consecuencia de los 20 aos de transicin por el grupo 3
ms los 50 aos necesarios para que fallezcan las ltimas personas incorporadas al grupo 4. La
ausencia de poblacin entre 15 y 44 aos trae como consecuencia que no se produzcan
nacimientos ni flujos entre los tres primeros grupos. Los resultados de la simulacin se
presentan en la Figura 2.39.
Flujos
60
750
45
500
30
250
15
20
40
60
80
100 120
Tiempo (aos)
140
160
180
200
0
Nacimientos
FlujoG1aG2
FlujoG2aG3
20
40
60
80
100
120
Tiempo (aos)
140
160
180
200
FlujoG3aG4
Muertes
En el tercer escenario se observa que el total de la poblacin tambin acaba falleciendo. Pero
la evolucin de la poblacin ya no es tan fcilmente predecible. El crecimiento inicial se debe a
que hay mucha poblacin con capacidad de procrear y el decrecimiento a continuacin est
provocado por el envejecimiento paulatino de la poblacin. Todo ello es consecuencia de la
combinacin de varios de los efectos comentados en los escenarios anteriores y de que ahora s
se producen nacimientos. El vaciado de los grupos de edad es progresivo en el tiempo y se
prolonga aproximadamente 135 aos, consecuencia de los 70 aos del escenario 2 ms los 65
aos necesarios para que se incorporen al grupo 4 los ltimos nacimientos. A diferencia de los
dos escenarios anteriores, la existencia de poblacin entre 15 y 44 aos trae como consecuencia
que se produzcan nacimientos y flujos entre los tres primeros grupos. Los resultados de la
simulacin se presentan en la Figura 2.40.
32
Flujos
40
1,500
30
1,000
20
500
10
0
0
20
40
60
80
100 120
Tiempo (aos)
140
160
180
200
20
40
60
Nacimientos
FlujoG1aG2
FlujoG2aG3
80
100
120
Tiempo (aos)
140
160
180
200
FlujoG3aG4
Muertes
Flujos
2,000
80
1,500
60
1,000
40
500
20
0
0
20
40
60
80
100 120
Tiempo (aos)
140
160
180
200
0
Nacimientos
FlujoG1aG2
FlujoG2aG3
20
40
60
80
100
120
Tiempo (aos)
140
160
180
200
FlujoG3aG4
Muertes
33
3,000
2,000
1,000
0
0
20
40
60
TN=0.0032
TN=0.0034
80
100 120
Tiempo (aos)
140
160
180
200
TN=0.0040
Figura 2.42: Resultados de simulacin, con una distribucin ms realista de la poblacin inicial, para tres
valores de la tasa de natalidad.
Los resultados de la Figura 2.43 nos permiten comprobar, que el crecimiento sostenido
observado en la poblacin total cuando la tasa de natalidad es del 40 por mil tambin se
manifiesta en todos los grupos de edad.
Poblacin total y distribucin por grupos de edad
4,000
3,000
2,000
1,000
0
0
20
40
60
80
100 120
Tiempo (aos)
140
160
180
200
Figura 2.43: Resultados de simulacin, con una distribucin ms realista de la poblacin inicial, y tasa de
natalidad igual al 40 por mil.
2.7. Bibliografa.
Albertos P., Mareels I.: Feedback and Control for Everyone, Springer, 2010.
Aracil J.: Introduccin a la dinmica de sistemas, Alianza Editorial, S. A., 1986.
Aracil J., Gordillo F.: Dinmica de Sistemas, Alianza Editorial, S. A., 1997.
Coyle R. G.: System Dynamics Modelling. A practical approach, Chapman & Hall,
1996.
Morilla F., Dormido Canto S.: Ingeniera de Sistemas, Sanz y Torres, 2012.
34