Está en la página 1de 23

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 complejos 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 challenges 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
INTRODUCCIN

IGNACIO CARRASCO, MANUEL VIVANCO

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

2 3

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. Algunas referencias sobre este tipo de ecuaciones son Saber (1991) y Walter y Peterson (2000). Aunque ciertamente es importante recordar que dicho libro es una obra de divulgacin cientfica escrita por un periodista del New York Times.

172

IGNACIO CARRASCO, MANUEL VIVANCO

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.

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).

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

173

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,

174

IGNACIO CARRASCO, MANUEL VIVANCO

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).

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

175

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.

176

IGNACIO CARRASCO, MANUEL VIVANCO

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.

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

177

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,

178

IGNACIO CARRASCO, MANUEL VIVANCO

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).

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

179

FIGURA4

Diagrama de transmisin general para modelos MSEIR


nacimientos con nacimientos sin inmunidad pasiva inmunidad pasiva M muertes S muertes incidencia horizontal E muertes I muertes R 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 S ( 0 ) = S0 0 = IS / N , dt dI = IS / N I , I ( 0 ) 0 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,

(1)

El nmero promedio de contagios que podra generar si todos sus contactos fueran con individuos susceptibles.

180

IGNACIO CARRASCO, MANUEL VIVANCO

CUADRO1

Trminos para modelos basados en MSEIR


VARIABLE M S E I R m, s, e, i, r Nios con inmunidad pasiva. Poblacin susceptible. Personas expuestas en el periodo de infeccin latente. Infectados. Personas recuperadas y que, por lo tanto, desarrollan inmunidad. Fracciones de la poblacin. Tasa de contacto. Periodo de inmunidad pasiva promedio. Periodo de infeccin latente promedio. Periodo infeccioso promedio. Nmero (tasa) de reproduccin bsico. Nmero (tasa) de contacto adecuados. Tasa de reemplazo. DEFINICIN

1/ 1/ 1/ Ro

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 , di / dt = is i , i ( 0 ) = i0 0 s ( 0 ) = s0 0

(2)

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

181

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

5mx

0.4

0.6

0.8

Fraccin susceptible, s

Fuente: Sobre la base de Hethcote (2000).

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

182

IGNACIO CARRASCO, MANUEL VIVANCO

FIGURA6

Soluciones del modelo SIR


1

Fraccin susceptible

Fraccin infecciosa
0 5 10 15 20 25

Tiempo en das
Fuente: Sobre la base de Hethcote (2000).

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

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

183

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 S (t) I (t) L (t) R (t) Poblacin no adicta y susceptible. Poblacin adicta. Polica. Su funcin consiste arrestar a los adictos de la comunidad. 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. Amortiguamiento econmico al cual est sujeto el crecimiento policial. DEFINICIN

184

IGNACIO CARRASCO, MANUEL VIVANCO

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

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

185

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 + rBt 1 Bt Ct K

Bt +1

(4)

= ITS CT = pC cE
Donde los trminos del modelo son:
CUADRO3

(5)

Trminos del modelo Gordon-Schaefer a tiempo discreto


Bt+1 Ct = qEBt K r q c p t Dinmica de la poblacin. Captura E: Esfuerzo de pesca. Capacidad de carga del ecosistema. Tasa de reproduccin intrnseca. Coeficiente de capturabilidad. Costo. Precio. Tiempo. Beneficios econmicos. Ingresos totales. Costos totales.

ITS CT

186

IGNACIO CARRASCO, MANUEL VIVANCO

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

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

187

CUADRO4

Datos utilizados para la realizacin de las simulaciones


NOTACIN K: capacidad de carga del ecosistema r: tasa de reproduccin intrnseca q: coeficiente de capturabilidad B0: biomasa inicial E: esfuerzo realizado por flota artesanal c: costo p: precio t: tiempo VALOR 600.000 0.3 0.00004 600.000 300 15.000 246.000 1:20 UNIDAD DE MEDIDA Toneladas Toneladas Embarcaciones Pesos chilenos por da Pesos por tonelada Aos

FIGURA7

Captura sostenible versus esfuerzo artesanal


4.5 4 3.5 Captura (toneladas) 3 2.5 2 1.5 1 0.5 0 0.5 0 1.000 2.000 3.000
Prediccin del modelo E_MRS C_EBE E_EBE Situacin actual C_MRS

4.000

5.000

6.000

7.000

8.000

Esfuerzo pesquero

Fuente: Salidas computacionales Matlab.

188

IGNACIO CARRASCO, MANUEL VIVANCO

FIGURA8

Ingresos y costos sostenibles


109 12 10 Ingresos costos (pesos) 8 6 4 2
EBE MRS

0
E_MRS

E_EBE 5.000 6.000 7.000 8.000

0 300 1.000

2.000

3.000

4.000

Esfuerzo (embarcaciones)
Ingresos Costos

Fuente: Salidas computacionales Matlab.

FIGURA9

Simulacin evolucin de captura


6 5.98 5.96 Biomasa (toneladas) 5.94 5.92 5.0 5.88 5.86 5.84 5.82 0 5 10 Tiempo (Aos) 15 20 25 x 109
Situacin actual

Trayectoria de la biomasa

Fuente: Salidas computacionales Matlab.

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

189

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 v v v
7

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

190

IGNACIO CARRASCO, MANUEL VIVANCO

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.

SISTEMAS DINMICOS EN CIENCIAS SOCIALES?

191

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