DINÁMICA DE SISTEMAS – SIMULACIÓN Y

ANÁLISIS DE SENSIBILIDAD
Carlos Fernando Arenas
Ingeniería de Sistemas
Teoría General de sistemas
2021-1
Agenda
1. Simulación
2. Análisis de sensibilidad
Simulación
 Simulación en la dinámica de sistemas
• Se acepta comúnmente que la simulación es la experimentación que se lleva a cabo usando un
modelo de una hipótesis o de un conjunto de hipótesis que dan cuenta de un sistema o de la
solución a un problema simulado.
• Shannon (1976) define la simulación como "el proceso de diseñar un modelo de un sistema real y
llevar a término experiencias con él, con la finalidad de comprender el comportamiento del sistema
o evaluar nuevas estrategias -dentro de los límites impuestos por un cierto criterio o un conjunto
de ellos - para el funcionamiento del sistema".
 Simulación en la dinámica de sistemas (2)
• Para Naylor (1971) la simulación es una técnica numérica para conducir experimentos en una
computadora digital. Estos experimentos comprenden ciertos tipos de relaciones matemáticas y
lógicas, las cuales son necesarias para describir el comportamiento y la estructura de sistemas
complejos del mundo real a través de largos periodos de tiempo.
• En adelante se puede asumir que la simulación es la generación de posibles estados de un sistema
con el concurso de las matemáticas y las computadoras dentro del contexto de un lenguaje de
modelado.
 Escenarios de simulación
• Los escenarios de simulación son el equivalente a las condiciones iniciales que se usan en la resolución
de ecuaciones diferenciales. Se definen a partir de los valores de los parámetros y las variables de
estado o niveles y las formas particulares de las no-linealidades y los multiplicadores.
• Hasta acá debe ser claro que la simulación permite tomar decisiones de manera virtual, aprender de
los errores y de los aciertos, y luego volver atrás como si nada hubiese ocurrido, es decir, que con un
buen modelo, se pueden evaluar diferentes estrategias y estudiar sus efectos en el entorno para
extrapolar conclusiones.
• Se adquiere experiencia con costos bajos y evitando el riesgo de enfrentar potenciales consecuencias
adversas.
 Escenarios de simulación
• Los escenarios de simulación son el equivalente a las condiciones iniciales que se usan en la resolución
de ecuaciones diferenciales. Se definen a partir de los valores de los parámetros y las variables de
estado o niveles y las formas particulares de las no-linealidades y los multiplicadores.
• Hasta acá debe ser claro que la simulación permite tomar decisiones de manera virtual, aprender de
los errores y de los aciertos, y luego volver atrás como si nada hubiese ocurrido, es decir, que con un
buen modelo, se pueden evaluar diferentes estrategias y estudiar sus efectos en el entorno para
extrapolar conclusiones.
• Se adquiere experiencia con costos bajos y evitando el riesgo de enfrentar potenciales consecuencias
adversas.
 Escenarios de simulación (2)
• Pensar los escenarios de simulación es una tarea pesada y que la mayoría prefiere dejar para otros,
pero sin esta base las decisiones no serán tomadas de forma acertada debido básicamente a la falta de
dirección, estrategia, visión y planificación, y mucho más en un entorno cambiante.
• Alguno teóricos como Peter Schwartz (1991), proponen algunas estrategias para llevar a cabo de forma
exitosa “simulaciones de escenarios“, definiendo posibles situaciones futuras para determinar las
acciones a desarrollar
 Pasos para la técnica de modelado sistémico de
Schwartz
1.Realizar un modelo: procurando identificar las variables relevantes del sistema.
2.Definir un mapa con dos ejes; los ejes vendrán determinados por las dos variables
más inciertas que se haya identificado.
3.Imaginar futuros posibles. A veces definir escenarios es muy frío, de forma que
puedes tratar de transformar cada escenario en una historia de futuro.
4.Pensar en implicaciones y acciones. Para cada escenario pensar en implicaciones y
acciones a desarrollar.
5.Finalmente será necesario definir indicadores de seguimiento. Definidos los
escenarios y las actuaciones es imprescindible realizar un seguimiento de los mismos
con la finalidad de poder ir modulando las acciones.
 Características del diseño de escenarios
• Ejercicio colectivo, es decir, se debe desarrollar un proceso de reflexión compartida.
• Se proyecta al largo plazo, esto es, 10, 15 o 20 años son los horizontes temporales
habituales.
• Se valoran las proyecciones en el marco del fenómeno determinado por sus efectos
sociales, políticos y económicos.
• Se analizan y valoran los obstáculos que se oponen a la materialización de las
proyecciones o comportamientos esperados y se revisan las fuerzas que pueden
facilitarlas. Alta dependencia con la realidad modelada.
•
 Escenarios y pronósticos
• Los escenarios tienen que ver con los procesos relativos a “precisar” lo que va a
pasar, como consecuencia de una acción determinada o de una dinámica evolutiva
de un proceso de naturaleza esencialmente incierto.
• El pronosticar es en esencia un sinónimo de predecir y el resultado de un buen
proceso de simulación de escenarios ha de ser cuál de un conjunto posible de
“escenarios” es más probable, es decir, cuál será el escenario que ha de ser
pronosticado.
 Escenarios y la toma de decisiones
• La inteligencia en la toma de decisiones se entiende como la capacidad de
reunir y analizar datos para la difusión de información relevante que permita
crear conocimiento apto, empleando para ello la simulación mediante
escenarios como herramienta de estudio de los pronósticos o de los futuros
plausibles, con el fin de determinar entre todos los escenarios posibles el más
favorable y probable.
• Tanto la cobertura como el tipo de simulación a seguir la debe definir el usuario
final del modelo, esto se justifica en la medida en que la simulación de
escenarios puede ser aplicada a cualquier problema que pueda ser modelado y
que requiera de una solución estratégica.
 Etapas para construir o simular escenarios
• Adicional a la propuesta de Peter Schwartz (1991), en términos generales se puede
proponer como etapas para la construcción y simulación de escenarios las siguientes:
1.Identificar el tema focal, los objetivos del análisis, el horizonte temporal, el problema a
modelar y a resolver.
2.Seleccionar el grupo de trabajo
3.Analizar el entorno
4.Identificar y caracterizar las variables claves predecibles, construir el modelo
5.Recopilación de los datos
6.Procesamiento y análisis de los resultados
 Etapas para construir o simular escenarios (2)
• Adicional a la propuesta de Peter Schwartz (1991), en términos generales se
puede proponer como etapas para la construcción y simulación de escenarios
las siguientes:
7.Construcción del escenario futuro o de todos los posibles
8.Evaluación de las implicaciones de los escenarios al planeamiento estratégico
9.Toma de decisiones
 2. Seleccionar el grupo de trabajo
• Lo cual puede ser mediante la aplicación de:
• Técnicas prospectivas, es decir: seleccionar un grupo con un nivel lo más homogéneo posible; realizar
trabajo individual; que haya anonimato entre los integrantes del grupo y que los datos se den a partir
de juicios de valor basados en conocimiento, experiencia, imaginación, sentido común e intuición.
• Aplicando la inteligencia empresarial, mediante el aporte de especialistas en Inteligencia empresarial
más un grupo pequeño de expertos (con iguales características). El grupo de expertos apoya el
trabajo y lo complementa, pero los datos principales, parten de los productos de inteligencia
previamente realizados, ej: estudios de tendencias
 3. Analizar el entorno
• Consiste básicamente en identificar el contexto dentro del cual se desarrolla el
problema procurando identificar variables exógenas determinantes o
determinadas por el problema en cuestión.
 4.Identificar y caracterizar las variables claves
predecibles, construir el modelo
• para ello se siguen los lineamientos previamente presentados en las lecciones
precedentes, pero vale la pena recordar que es conveniente la determinación:
• De varios indicadores que caractericen el futuro de una variable.
• De las variables o indicadores que caractericen un escenario o situación.
• De las variables considerando las tendencias y eventos que permitan construir todos los escenarios
posibles: Tendencias: variables continuas importantes en la descripción del estado de un escenario,
basadas en consideraciones políticas, económicas, sociales y técnicas. Eventos: cambios repentinos
que pueden ocurrir en el futuro, donde la ocurrencia de un evento puede alterar la estructura de los
escenarios y por tanto de una o más tendencias.
 5. Recopilación de los datos

• Esta fase consiste básicamente en la caracterización de una o varias variables a

partir de fuentes confiables como opiniones de expertos o datos medidos por
otras fuentes.
• Cada variable debe quedar expresada en su escala natural de medición y todos
los resultados deben ser expresados en una sola escala de medición, la más
factible, esto redunda en la homogeneidad de los resultados.
 6. Procesamiento y análisis de los resultados
• Para este propósito se pueden realizar desde dos perspectivas ya sea la sintética
o la analítica.
• En el primer caso se obtiene un escenario con los con los valores síntesis de
cada variable y en el segundo se construyen escenarios posibles, tomando en
consideración todas las relaciones entre los eventos y las tendencias.
 7. Construcción del escenario futuro o de todos los
posibles
• Para lograrlo se propone:
• Determinación del escenario más probable. Empleo de Evolución o Vensim o cualquier otro software.
• En el grupo de trabajo se determinan los escenarios: más optimista y pesimista entre los más
probables.
• Elaboración de un plan de acción para cada escenario seleccionado, que permita, en la medida de la
variación de las circunstancias, tomar medidas con la previsión adecuada. Interacción con el futuro.
 8, Evaluación de las implicaciones de los escenarios
al planeamiento estratégico
• Pueden ser de alcance nacional o regional, por ejemplo en la:
• Determinación del futuro socioecnómico de una región o país.
• Identificar campos de desarrollo y aplicación de la tecnología.
• Caracterización de las tecnologías futuras en un sector determinado.
• Futuro del comercio internacional: nuevas modalidades.
• Caracterización de escenarios futuros de sectores industriales.
• Empresarial en el análisis y comprensión de las fuerzas que operan en el entorno y que determinan o
determinarán los escenarios en los que deben o deberán gestionar las empresas.
• Estrategia para la comercialización de un producto o servicio.
• Evaluación de la factibilidad de un proceso de transferencia de tecnología.
 9. Toma de decisiones
• Interacción con el futuro, acciones dirigidas al escenario más favorable. Para
lograr una efectiva toma de decisiones se debe:
• Partir de un conocimiento profundo de las realidades del espacio a caracterizar y de
las herramientas y metodologías a emplear.
• Manejar tanto la inteligencia organizacional, como la prospectiva, los pronósticos y la
simulación de escenarios, consideradas éstas como herramientas estratégicas.
• Emplear la simulación de escenarios para predecir o generar futuros plausibles
posibilitando la interacción con éste, permitiendo alcanzar una mayor competitividad.
• Simular escenarios teniendo en cuenta que se trata de una de las herramientas claves
para la realización de pronósticos y la práctica de la prospectiva contribuyendo
directamente en la reducción del nivel de incertidumbre.
Caso de estudio – Modelo presa predador
 Caso de estudio – Modelo presa predador (2)
• Los escenarios probables que se pueden generar para el caso de estudio son:
• Modificar la TNC (tasa natural de nacimiento de conejos sin presencia de
depredadores) desde el 20 % al 16 % disminuyendo en cada caso un 1%.
• Modificar la TMC (tasa natural de mortalidad de conejos sin presencia de
depredadores) desde el 5 % al 1 % disminuyendo en cada caso un 1%.
Análisis de sensibilidad
 Análisis de sensibilidad
• El análisis de sensibilidad consiste en un estudio sistemático de cómo afectan a las conclusiones de un
modelo las posibles variaciones en los valores de los parámetros y en las relaciones funcionales que
incluye.
• La forma más simple de realizar el análisis consiste en modificar los valores numéricos de cada uno de
sus parámetros. Para ello se incrementa el valor del parámetro cuya sensibilidad se quiere estudiar en un
cierto porcentaje y se analiza en qué medida esta variación afecta a las conclusiones del modelo (a las
trayectorias que genera).
• El análisis de sensibilidad es el proceso de modificar las hipótesis de los valores de las constantes en el
modelo y examinar los resultados debidos al cambio en esos valores. El análisis de sensibilidad manual
requiere el cambio del valor de una constante (o varias constantes de una vez) y simular, cambiar el valor
de la constante de nuevo y simular nuevamente y repetir esta acción muchas veces para lograr un
espectro de valores de salida.
 Análisis de sensibilidad (2)
Permite:
• Estimar la sensibilidad de los resultados del modelo a cambios de un parámetro, realizando análisis del
tipo “que pasa si”.
• Conocer qué variables de riesgo son importante y están asociadas al manejo de incertidumbre, por
ejemplo, una variable es importante dependiendo de su participación porcentual en los beneficios o
costos y de su rango de valores probables.
• Determinar la dirección del cambio en las variables.
 Variables en dinámica de sistemas
• Es muy común en los problemas de dinámica de sistemas que los cálculos se efectúen de una
manera determinista, es decir, tratando a la totalidad de las variables como constantes conocidas.
• Sin embargo, la realidad es que pocas veces se conocen los valores exactos de las variables: en la
mayoría de las situaciones, se trabaja con estimaciones de las condiciones medias o conservadoras,
e inclusive, del peor de los casos.
• Cuando se mide repetidamente un parámetro físico o químico, o cuando se efectúan estudios de
campo sobre fenómenos de naturaleza económica o social, lo que en realidad se obtiene es un
conjunto de valores más o menos parecidos, con un rango de variación que depende de muchos
factores, tales como la precisión del instrumental, la pericia del analista, el tamaño de la muestra
etc
 Variables en dinámica de sistemas (2)
• El valor obtenido se convierte en un evento fortuito o aleatorio.
• Así que en rigor, al repetir la medición o el ensayo, más que el valor exacto de una variable se
obtiene un conjunto de valores que puede adoptar esa variable, cada uno de ellos con una
probabilidad asociada, la cual indica cuan posible es que ese valor se obtenga si se repiten las
mediciones.
• Decimos entonces que se trata de una variable aleatoria. Es posible construir tablas o gráficas
donde se coloquen los distintos valores de “x” y sus probabilidades asociadas, e inclusive construir
fórmulas que permitan vincular el valor y su probabilidad. Esas tablas, gráficas o fórmulas se
conocen como distribuciones de probabilidad.
 Variables discretas vs continuas
• Antes que nada debemos tener claro el tipo de variable a utilizar: si el número de valores que puede
tomar es contable, se trata de una variable discreta; en cambio, si la variable puede tomar un infinito
número de valores dentro de un cierto rango, es una variable continua.
• El número de personas dentro de un avión o el número de pedidos nuevos recibidos en una fábrica son
ejemplo de variables discretas.
• Los tiempos de espera en la caja de un supermercado o en el peaje de una autopista, así como la altura
o el peso de una persona son variables continuas porque tienen infinitos decimales.
 Tipos de análisis de sensibilidad
• Análisis de sensibilidad con variables discretas
• Análisis de sensibilidad con variables contínuas
 Análisis de sensibilidad con variables discretas
• En este caso el analista del sistema infiere a partir de los cambios que se hacen
a determinadas variables del sistema con respecto a su impacto en otras
variables, para poder analizar a partir de todos los datos que ofrece el modelo
cómo impacta el cambio de dichos datos con respecto a otros
 Ejemplo análisis de sensibilidad con variables
discretas
• Retomar el caso de estudio del modelo presa predador
• Recordemos los esenarios que tendríamos que dimensionar para validar como
se verá afectado el modelo:
• Modificar la TNC (tasa natural de nacimiento de conejos sin presencia de depredadores)
desde el 20 % al 16 % disminuyendo en cada caso un 1%.
• Modificar la TMC (tasa natural de mortalidad de conejos sin presencia de depredadores)
desde el 5 % al 1 % disminuyendo en cada caso un 1%.
 Caso de estudio – Modelo presa predador
• Las variables a considerar son las siguientes:
• El número de conejos
• El número de zorros
• La necesidad alimenticia de los zorros
• La tasa de natalidad de los zorros y los conejos
• La vida promedio de los zorros y conejos
• La densidad poblacional de los zorros y conejos.
• Z(t) = Z(t-1) + NacZ(t-1) – MueZ(t-1),
• En donde Z(t) es la cantidad de zorros en el tiempo t, NacZ(t-1) es la cantidad de zorros nacidos entre
t y t-1 y MueZ(t-1) es la cantidad de zorros que mueren entre t y t-1.
 Ejemplo análisis de sensibilidad con variables
discretas (2)
• Bajo lo descrito en el caso de uso el resultado obtenido de la
información del modelo es el siguiente para el escenario 1:
Variables TMC TNC Conejos TMZ Zorros
● Este escenario permite ver qué sucede
Var1 0,05 0,20 15 0,08 5
si hay cambios en la tasa de natalidad
Var2 0,05 0,19 15 0,08 5
natural de los conejos, obsérvese que
Var3 0,05 0,18 15 0,08 5
puede ser un parámetro controlable por Var4 0,05 0,17 15 0,08 5
el modelador mediante algún tipo de Var5 0,05 0,16 15 0,08 5
medicamento o mediante la disminución
de machos en la isla.
 Ejemplo análisis de sensibilidad con variables
discretas (3)

• Al realizar el análisis de
sensibilidad directamente bajo
una herramienta se obtiene el
siguiente resultado:
• Obsérvese como una baja en la
tasa de natalidad natural provoca
oscilaciones en la cantidad de
conejos
 Ejemplo análisis de sensibilidad con variables
discretas (4)
• Para el escenario 2 se analiza los cambios en la TMC y su efecto en
los zorros :

Variables TMC TNC Conejos TMZ Zorros

Var1 0,05 0,20 15 0,08 5

Var2 0,04 0,20 15 0,08 5
Var3 0,03 0,20 15 0,08 5
Var4 0,02 0,20 15 0,08 5
Var5 0,01 0,20 15 0,08 5
 Ejemplo análisis de sensibilidad con variables
discretas (5)

• Al realizar el análisis de
sensibilidad directamente bajo
una herramienta se obtiene el
siguiente resultado:
• Observe que sucede con el
número de zorros en el sistema.
Que análisis establecería de este
resultado?
 La Estadística en la dinámica de sistemas
• La extrapolación desde una pequeña realidad conocida a un mundo desconocido debe fundamentarse
de alguna manera que supere a la mera intuición, y es ahí donde se hace necesaria la intervención de
la Estadística, una ciencia que suele resultar de difícil abordaje y más bien antipática a menos que se
realice un decidido esfuerzo por entender el significado de las herramientas de análisis que brinda.
• Ante todo es importante tener en claro para que se la emplea, evitando caer en el error de aplicar
mecánicamente fórmulas o “recetas” que validen el resultado de experiencias o ensayos sin saber muy
bien que se está haciendo.
 Estadística descriptiva vs inferencial
• Si se acumula un gran número de datos que luego se utilizan para describir y extraer información,
estamos frente a la estadística descriptiva, relativamente sencilla de utilizar y comprender.
• Pero si se usan las herramientas que permiten formular inferencias acerca de una población partiendo
de una muestra estamos frente a la estadística inferencial que es la que suele generar mayores
problemas de comprensión.
• Sin embargo su utilidad es enorme y permite que innumerables decisiones se tomen sobre bases más
sólidas que la sola experiencia práctica.
• Una herramienta de uso casi permanente en la estadística inferencial son las distribuciones de
probabilidad teóricas las cuales son en definitiva funciones matemáticas presentadas en forma de
gráficos o tablas que establecen una relación entre un valor x y su probabilidad f(x) de producirse.
 Análisis estadístico de las variables contínuas
• El método más conocido y utilizado para analizar variables continuas es la
Distribución de Probabilidad Normal, cuyo gráfico es una curva en forma de
campana, simétrico a ambos lados del valor central. Muchos acontecimientos
de la vida real se comportan aproximadamente en forma “normal”.
• La forma más común de medir el valor central es la media (promedio de
todos los datos), y la dispersión a través de la desviación estándar, cuyas
formas de cálculo figuran en cualquier texto de estadística.
• Estos datos son los necesarios para calcular los límites de confianza del valor
estimado, que serán más distantes cuanto mayor sea el grado de
certidumbre que pretendo tener de las variables .
 Análisis de sensibilidad con variables contínuas
• Si tenemos un modelo con parámetros que son variables continuas distribuidas en
forma normal, podemos preguntarnos si será necesario ejecutar el programa un
número infinito de veces, cambiando cada vez los valores, lo cual implicaría un gran
esfuerzo y tiempo.
• Lo que si se puede hacer, con menos costo y en tiempos razonables es simular el
proceso un gran número de veces (aunque finito) adoptando cada vez valores
diferentes en los parámetros.
• A la técnica de simular un proceso que contiene elementos aleatorios repitiendo el
proceso una y otra vez para ver cómo se comporta se le llama Método de Montecarlo
y es de aplicación usual en estudios empresariales y científicos.
 Método de Montecarlo
• El método de Montecarlo es una técnica numérica para calcular probabilidades
y otras cantidades relacionadas, utilizando secuencias de números aleatorios.
• El fundamento del método de Montecarlo y de la simulación son los números
aleatorios:
• Tablas de números aleatorios.
• Generadores de números aleatorios.
• Números pseudo aleatorios.
• Buscar medir la aleatoriedad de los números usados en una simulación
 Desarrollo del análisis de sensibilidad para variables
continuas
• Consideremos la siguiente situación: un fabricante de cervezas se encuentra con problemas para
programar su producción. No conoce su participación exacta en el mercado, lo afecta la estacionalidad
del consumo, desconoce la capacidad máxima de consumo del mercado al cual dirige su producto.
• Encarga un estudio, y le informan que el máximo consumo ronda el 1.000.000 de litros diarios, y que un
estudio sobre 500 personas que probaron la bebida comparando con su principal competidor, 350 han
elegido su producto.
• Sus asesores le dicen que sería adecuado formular un modelo de simulación sobre el cual se haga un
análisis de sensibilidad considerando que la variable “consumo” se comporta según una Distribución
Binomial.
 Desarrollo del análisis de sensibilidad para variables
continuas (2)
• Así que un muy sencillo modelo de simulación dinámica, que considere una producción, un nivel de stock
y un consumo le darán una primera aproximación rápida de cómo programar su producción.
• Este mismo modelo podrá luego ir completándose a efectos de considerar otras variables que afecten el
consumo (estacionalidad, poder adquisitivo, aparición de nuevos productos, búsqueda de nuevos
mercados...).
• Una vez que se ha construido y probado el modelo, la elección de la herramienta de Análisis de
Sensibilidad abre un cuadro que requiere definir algunos datos, dependiendo de la distribución que se
elija.
 Desarrollo del análisis de sensibilidad para variables
continuas (3)
• La opción seleccionada es la distribución uniforme, que asigna a todos los valores igual probabilidad, y la
distribución normal.
• En este ejemplo hemos elegido la binomial.
• Seleccionamos como variables aleatorias las que creemos que influyen de forma más decisiva en el
comportamiento del sistema. Donde debemos poner mayor cuidado es cuando elegimos la distribución.
• En el caso de la binomial hemos de definir 6 parámetros. Se nos pide un valor mínimo, uno máximo, una
probabilidad, el número de simulaciones, la media y la desviación estándar.
• Los dos primeros tienen que ver con la situación real, y pueden elegirse aprovechando los datos del
ensayo. Los cuatro últimos tienen que ver con la distribución y para nuestro ejemplo del fabricante de
cerveza serían 0.7, 500, 350 y 10.25.
 Desarrollo del análisis de sensibilidad para variables
continuas (4)
• Así que completados los datos y
ejecutado el análisis, veremos un
gráfico que cubre una superficie y
además presenta en su parte superior
una referencia que dice 50%, 75%,
95% y 100%.
 Desarrollo del análisis de sensibilidad para variables
continuas (5)
• Estos son los límites de confianza. Estos
límites nos dan idea de la probabilidad de
acertar en el análisis, razón por la cual el
gráfico correspondiente a un 50% es más
estrecho que el de 75%, y éste que el de 95%.
Es decir, con un menor porcentaje obtenemos
una predicción más centrada y precisa, pero
tenemos mayor riesgo de equivocarnos.
 Conclusión del análisis de sensibilidad para variables
contínuas
• Más allá de la exactitud de las estimaciones, un análisis de sensibilidad, que podría también efectuarse
simplemente cambiando varias veces el valor de un parámetro y observando lo que ocurre, nos muestra
aquellas variables cuyos cambios afectan más el comportamiento del sistema, razón por la cual serán las
que reciban mayor atención.
 Referencias bibliográficas

• Gigch, John Van; Luthe García, Rodolfo. Teoría General de Sistemas. Editorial Trillas.
• García Madariaga, Ricardo. Teoría General de Sistemas. ESAP
• Bertalanffy, Ludwing. Perspectivas de la Teoría General de Sistemas. Alianza Universidad.
• Johansen, Bertoglio. Introducción a la Teoría General de Sistemas. Limusa.
• Wiener. N. cibernética y Sociedad. Editorial Suramericana. Buenos Aires. 1979
• Forrester. J.W. Principles of Systems. Wright-Allen Press. 1968