Análisis de la dinámica de guerra de guerrillas por medio de un
algoritmo de simulación planteado en el paper "From old wars
to new wars and global terrorism"
Cristian Peña1 ,Jhon Fajardo1 ,Sergio Arango1 , Jonathan Reyes1 Humberto Cordoba1
1
Departamento de física, Universidad Nacional de Colombia-Bogotá D.C, Colombia
Palabras Clave: Algoritmo, Ley de Potencias, Guerrilla, Colombia, Regresión, Simulación
1. Introducción
El objetivo del paper From old wars to new wars and
global terrorism[1], [2] distribución de ley de potencia,
es decir que la probabilidad de que en una guerra dada
hayan x víctimas: p(x), es igual a cx−α sobre un rango
amplio de x, con C y α coeficientes positivos. Esto im-
plica que una gráfica de log[P (X)] vs log(x) será una
línea recta sobre este rango de x, con pendiente nega-
tiva α − 1
Nos gustaría resumir el algoritmo tal como se imple-
mento y entendió. Según el artículo, se asumen varias
cosas sobre los grupos armados:
Consisten de bloques, cada bloque tiene una fuerza
de ataque.
La fuerza de ataque de un bloque es la cantidad de
personas que es capaz de neutralizar ese bloque.
La mínima fuerza de ataque que puede tener un
bloque es 1
Los bloques se pueden unir y suman sus fuerzas de
ataque.
Los bloques se pueden fragmentar y cuando lo ha-
cen se fragmentan en bloques de fuerza de ataque
igual a 1.
Por sencillez, se asume que el grupo armado co-
mienza con solo bloques de fuerza de ataque igual
a 1.
La suma de todas las fuerzas de ataque de los blo-
ques de la guerrilla debe mantenerse constante.
En este orden de ideas, el algoritmo a implementar va a
matematizar esos principios. Para esto, se pueden usar
arreglos de numpy, donde la i-ésima entrada representa
la fuerza de ataque del bloque i-ésimo.
1
Se debe primero elegir el parámetro que nos dice como
de grande es el grupo armado. Este parámetro lo lla-
maremos N y es aquella suma de las fuerzas de ataque
de todos los bloques. Nunca cambiara. También decla-
ramos una cantidad de pasos N steps que permitiremos
que el algoritmo tarde.
Luego se procede a elegir como parámetro a una pro-
babilidad v, que sera la probabilidad de que un bloque
dado se fragmente. Esto significa que la probabilidad
de que ocurra lo contrario sera 1 − v. Cuando hablamos
del caso contrario, estamos refiriéndonos al escenario
donde el bloque se adjunte a otro bloque y sumen sus
fuerzas.
Aquí empieza el algoritmo. Debemos primero declarar
un arreglo que contenga solo 1,s y que la suma de estos
nos de N . Este va a ser alterado una cantidad de veces
N steps.
Inicialmente, todos los bloques tienen la misma pro-
1
babilidad N de ser escogidos. Le pedimos a Python
que escoja un bloque. Una vez escogido, apelamos a
nuestro parámetro v. Dejamos que Python escoja entre
desarmar o coalescer al grupo con otro. Esta elección
es determinada por las probabilidades v y 1 − v respec-
tivamente.
Si Python escoge desarmar al bloque, tenemos que ano-
tar la fuerza del bloque, y dividirlo en otros bloques
iguales de fuerza 1. Esto implica borrar nuestro blo-
que pero luego adjuntarle todos esos bloques a nuestro
arreglo.
Si Python escoge coalescer al bloque con otro, hay que
comprobar antes si eso es siquiera posible. Esto es, hay
que verificar que exista otro bloque además del que
estamos tratando. Ya verificado esto, procedemos a es-
coger otro bloque, con esa distribución uniforme que
usamos para escoger, proporcional a la fuerza de cada
 bloque. Cuando se ha escogido el otro bloque, se su-
man las fuerzas de los dos escogidos, borramos ambos
bloques, y adjuntamos el nuevo bloque mas fuerte.
Este proceso se va a realizar N steps veces. Puede que
las guerrillas terminen muy fragmentadas. Con pocos
bloques fuertes.
El propósito de realizar todo esto es estudiar que com-
portamiento podrían tener las guerrillas a lo largo del
mundo. Después de todo, este modelo, a grandes ras-
gos, describe cualquier guerrilla o ejercito. Además, a
través de este algoritmo, estamos verificando a través
de una simulación que los resultados analíticos del ar-
ticulo son correctos.
Se hace necesario estudiar las guerrillas para poder dar
algún sentido de predictibilidad a ellas. Esto es útil
para los gobiernos. Afortunadamente, esta simulación,
según el articulo, se ajusta muy bien a la realidad. Lo
único que hay que tomar en cuenta es el tamaño N de
una guerrilla y la probabilidad v de sus bloques.
2. Dispositivo experimental y procedi-
miento
Como ya se mencionó anteriormente se usó Python pa-
ra realizar la simulación, específicamente usamos no-
tebooks de Colab. Junto con esto se aprovecharon las
herramientas de vectorización y varias funciones brin-
dadas por la librería Numpy y las herramientas de vi-
sualización de datos brindadas por Matplotlib.
Luego de la lectura del paper original, llegamos a la
abstracción ya mencionada del algoritmo de simula-
ción. Este algoritmo se implementará en una función
llamada simulation que recibirá tres argumentos: N,
que es la fuerza total del sistema; nsteps, que es la can-
tidad de pasos que de tiempo que hará la simulación;
v, que representa la probabilidad de que una unidad de
ataque se disuelva.
Así, el primer paso para comenzar la simulación será
inicializar un vector de estado de tamaño N, en el cual
cada entrada será igual a 1 (Cada entrada representa
una unidad de ataque y el valor que contiene represen-
ta la fuerza de ataque asociada a la unidad correspon-
diente), esto se realiza de forma muy sencilla usando la
función np.ones de Numpy, como se muestra a conti-
nuación:
1 vec_estado = np . ones ( N )
Luego de esto entramos en un bucle, que se encargará
de repetir el proceso de fusión/unión con la cantidad
requerida de pasos. De esta forma pasamos a elegir una
unidad de ataque del vector de estado. Esto se logra en
dos pasos: escoger una entrada aleatoria del vector de
estado y luego obtener el índice del primer elemento
que conocida con esta entrada en el vector de estado.
Para escoger la entrada aleatoria usamos la función
np.random.choice, que nos permite, por un lado, ele-
gir una entrada aleatoria del vector de estado, pero
además podemos hacer esta elección en base a un vec-
tor p de probabilidades, esto nos permite asignar una
probabilidad a cada unidad de ataque (a cada entra-
da del vector de estado) proporcional a su fuerza de
ataque (valor de cada entrada del vector de estado).
Entonces definimos la probabilidad pi como la proba-
bilidad de escoger la unidad de ataque i con fuerza si
si
tal que pi = N , esto nace de usar una sencilla regla de
tres donde N representa el 100 % de probabilidad de
ser elegido (esto porque si una unidad de ataque tiene
fuerza si = N significa que esta unidad de ataque tie-
ne toda la fuerza total y las demás unidades de ataque
tienen, por consecuencia, una fuerza de ataque igual a
0. Así no tendría sentido escoger una unidad de ataque
que no tiene fuerza de ataque y la unidad si tendría
que ser elegida el 100 % de las veces que se presente
esta situación) y buscamos la probabilidad pi para una
unidad de ataque si . Estas probabilidades las recopila-
mos en el vector p de probabilidades y se calcula como
el vector de estado dividido por N.
Este vector se le pasará a la función np.choice para
que elija una entrada de forma aleatoria según las pro-
babilidades del vector p y de esta forma obtendremos
una entrada aleatoria del vector de estado. Pero para
realizar operaciones con esta entrada (como eliminarla)
necesitamos saber el índice de la misma. Para esto usa-
mos la función first_index , que busca el índice de la
primera entrada que coincida con el dato que le pase-
mos como argumento (decidimos crear esta función y
no usar una función como np.where ya que np.where
nos devuelve todos los índices que coinciden con el ar-
gumento que le pasemos en lugar de sólo el primero,
y esto conlleva a un mayor tiempo de cómputo). Aho-
ra simplemente guardamos este índice en la variable
i_index que usaremos luego. Este proceso queda plas-
mado en estas dos líneas de código:
1 si = np . random . choice ( vec_estado , p =
vec_estado / N )
2 i_index = first_index ( vec_estado , si )
Ahora vamos a elegir si la unidad de ataque se disolverá
2
 o se fusionará con otra unidad de ataque. Este proceso
está mediado por la probabilidad v, que representa la
probabilidad de que la unidad se disuelva y por lo tan-
to 1 − v representará la probabilidad de que la unidad
de ataque se fusione con otra unidad. De nuevo, esta
elección se hará por medio de la función np.choice,
la cuál elegirá una entrada del vector [0, 1] con proba-
bilidades p = [v, 1 − v], de esta forma si se escoge 0 la
unidad pasará a disolver y si se escoge 1 la unidad pa-
sará a fusionarse con otra unidad. Esto queda escrito
como:
1 l = np . random . choice ([0 ,1] , p =[ v , 1 - v ])
En caso que se elija disolver la unidad de ataque se de-
be reemplazar la unidad de ataque de fuerza si por si
unidades de ataque de fuerza 1. Este proceso se reali-
za de la siguiente manera: primero, usando la función
np.delete, le pasamos el vector de estado y el índice
que guardamos en el paso anterior para que elimine la
entrada, luego usamos np.append para agregar un vec-
tor de unos de tamaño si dado por la función np.ones
al vector de estado. Al final reescribimos el vector de
estado y así el proceso de disolución queda concluido.
Esto queda escrito en código como:
1 vec_estado = np . delete ( vec_estado ,
i_index )
2 vec_estado = np . append ( vec_estado , np .
ones ( int ( si ) ) )
En caso que se elija fusionar la unidad de ataque con
otra unidad, en primer lugar se debe eliminar la unidad
de ataque si del vector de estado de la misma forma
como se hizo antes. Luego se debe elegir una nueva
unidad de ataque sj , este proceso se realiza de forma
similar a como se hizo anteriormente, con la diferencia
de que el vector de probabilidades se calcula como el
vector de estado dividido en N − si , pues al eliminar la
entrada si la fuerza total ha disminuido, en caso de no
restar si el vector de probabilidades no sumará 1 y la
función np.choice dará un error. Se usa de nuevo la
función first_index para hallar el índice de la primera
entrada del vector que coincida con la entrada escogida
anteriormente. Con este índice se elimina la unidad si
del vector de estado y por último agregamos una unidad
de ataque al vector de estado de fuerza si + sj usando
np.append. Esto queda representado en código como
sigue:
1 vec_estado = np . delete ( vec_estado ,
i_index )
2 sj = np . random . choice ( vec_estado , p =
vec_estado /( N - si ) )
3 j_index = first_index ( vec_estado , sj )
4 vec_estado = np . delete ( vec_estado ,
j_index )
5 vec_estado = np . append ( vec_estado , si + sj )
Este proceso se repite nsteps veces y al final la función
de simulación retornará el vector de estado.
Para este estudio nos interesa visualizar dos gráficas:
la gráfica del número de unidades de ataque de fuerza
s (ns ) vs s y la gráfica de α (valor de la pendiente de
la regresión lineal de ns vs s) versus la probabilidad v
de disolución. La primera gráfica la podemos obtener
con el vector de estado. Para esto usamos la función
extract_xy que recibe el vector de estado y nos de-
vuelve dos vectores X, Y. X representa a los posibles
valores de la fuerza de ataque s, que como mínimo es
1 y como máximo es N , esto se hace usando la función
range originaria de Python. Cada entrada ii-1 (esto
por como están indexados los vectores en Python) de Y
representan el número de unidades de ataque que tie-
nen fuerza de ataque ii, para lograr esto creamos un
for que recorre el vector X y usando una máscara en el
vector de estado para obtener un vector que sólo con-
tiene las unidades de ataque con fuerza de ataque ii,
luego tomamos el tamaño de este vector y esto lo guar-
damos en el vector Y, esto queda plasmado en código
como sigue:
1 def extrat_xy ( vec_estado ) :
2
3 N = int ( np . sum ( vec_estado ) )
4 X = np . array ( range ( N ) ) +1
5 Y = np . zeros ( N )
Estos vectores los graficamos con la función
plot_simulation en escala log-log junto con una
regresión potencial. Esta regresión potencial es senci-
llamente una regresión lineal por mínimos cuadrados,
pero en lugar de pasar los vectores X y Y, pasamos el
logaritmo de estos vectores (logaritmo aplicado a cada
entrada, cabe aclarar). Para realizar la regresión lineal
por mínimos cuadrados usamos las ecuaciones usuales
de una regresión de este estilo [3].
Para obtener la gráfica de α versus v creamos una nue-
va función alpha que toma como argumentos la fuerza
total del sistema (N), los pasos de tiempo (nsteps) y la
probabilidad de disolución (v). Esta función aprovecha-
rá la vectorización que hereda la función de simulación
gracias a usar exclusivamente arreglos de numpy. Esta
3
 función primero ejecuta una simulación entera, luego
extraemos los vectores X, Y como ya se hizo con la
función extract_xy, luego se realiza una regresión po-
tencial a estos datos y se retornará la pendiente de esta
regresión y su respectivo error. Gracias a que las funcio-
nes alpha y simulation están vectorizadas podemos
pasarle un vector de probabilidades a alpha y nos re-
tornará la pendiente requerida para cada valor de v.
Esta función queda escrita como sigue:
1 def alpha (N , nsteps , v ) :
2 vec_estado = simulation (N , nsteps , v )
3 X , Y = extrat_xy ( vec_estado )
4 RegLin = linear_regression (X , Y , True )
5 return RegLin [1] , RegLin [3]
Con esto ya tenemos todas la herramientas necesarias
para obtener las dos gráficas que buscamos y analizar
estos resultados
3. Resultado y análisis
Los parámetros usados para realizar todas nuestras si-
mulaciones son N steps = 10, 000 y N = 10,000.
Los resultados obtenidos de la simulación para una pro-
babilidad v = 0.01 se muestran en la figura 1.
Figura 1. Gráfica del Numero de unidades de ataque ver-
sus la fuerza de ataque s para una probabilidad de v=0,01)
La regresión lineal implementada nos arrojó un valor de
α = −2, 459 ± 0,005 con un coeficiente de correlación de
0.99. Indicándonos una gran precisión. Este resultado
posee una diferencia relativa de 1, 64 % con respecto al
α teórico, que según los investigadores tiene un valor de
−2, 5. Pero esta diferencia no debe asustarnos, pues hay
4
que recordar que esta simulación es un proceso estocás-
tico por lo tanto α puede cambiar de una simulación a
otra.
Para tener una mayor certeza de este valor realizamos
100 simulaciones, promediamos los valores de α y ob-
tuvimos la desviación estándar de estos datos, dándo-
nos como resultado que α = −2, 7 ± 0,4, de esta forma
α ∈ [−3,1, −2,3] y ahora vemos claramente que el valor
de α = −2,5 mencionado por los autores pertenece al
rango que acabamos de calcular
En la gráfica se evidencia como existe una gran disper-
sión de puntos a medida que s aumenta y como explican
los investigadores esto se debe a que "La desviación del
comportamiento de la Ley de Potencias a grandes s se
debe solo al valor finito de N: como no puede haber una
unidad de ataque con una fuerza de ataque mayor que
N, el tamaño finito de N distorsiona la ley de potencia
a medida que s se acerca a N".
En nuestro investigación también exploramos otros ca-
sos. A continuación mostramos los resultados obtenidos
para una probabilidad de v= 0.99
Figura 2. Gráfica del Numero de unidades de ataque ver-
sus la fuerza de ataque s para una probabilidad de v=0,99)
La regresión lineal nos arrojo un valor de α = −8, 181 ±
0,003 con un coeficiente de correlación de 0.99. En esta
figura podemos ver como obtenemos muy poca infor-
mación, dado que la probabilidad v es muy grande y el
sistema va a tender a ser altamente disperso, obtenien-
do muchas unidades de ataque de fuerza igual a 1. Este
es un caso especial, donde la probabilidad v es muy alta
tenemos un vector de estado altamente disperso, pero
podemos analizar intuitivamente lo que ocurriría en el
caso contrario, donde la probabilidad v sea demasia-
do baja, tendiendo a cero. En este caso las unidades
de ataque buscarán unirse constantemente, tendiendo
a forma un una única unidad de ataque que guarda
consigo la fuerza total del sistema.
Estos diferentes casos nos llevo a preguntarnos: ¿cómo
cambia el valor de α en función del valor de proba-
bilidad v? De esta exploración obtenemos la siguiente
gráfica:
Figura 3. Gráfica de α vs v, donde las barras de error
está aumentadas en un factor de 100
En la figura 3 vemos como el valor de α disminuye a
medida que aumenta la probabilidad de separación v, lo
que nos indica que el vector de estado tiende a ser más
disperso, teniendo mas unidades de ataque con menor
fuerza de ataque, lo que significa que hay grupos guerri-
lleros más pequeños y con menor interés por colaborar
con otros grupos, esto debido a una alta represión por
parte de las fuerzas contrarias o por un desinterés en
la lucha.
No se pudo establecer una relación funcional entre el
valor de alpha y el valor de probabilidad v, pero se
observa en la gráfica que para valores de v menores a
0,7 aproximadamente los datos presentan una relación
distinta a los valores de v mayores a 0,7
Ahora mencionaremos algunas dificultades que apare-
cieron en el proceso de realizar este trabajo
1. En un inicio tuvimos muchos errores humanos, como
olvidar reescribir el vector de estado y por ende tener
un sistema que no evolucionaba
2. En el momento de intentar estudiar simulaciones con
valores distintos a los establecidos por el paper nos di-
mos cuenta que la regresión lineal era la misma inde-
5
pendiente del vector de estado. Esto se debía a que
dentro del código se estaban usando algunas variables
como variables globales ya que no la interfaz de ciertas
funciones no estaba bien implementada
3. Tuvimos muchos dolores de cabeza al momentos de
crear la función de regresión, y sobre todo al momento
de graficar la recta de regresión pues al estar la gráfica
de ns vs s en escala log-log fue complicado encontrar
una forma de hacer que la recta no fuera ni muy pe-
queña ni muy grande
4. Quisimos analizar la forma funcional de la Figura 3,
pero esta gráfica con corresponde a una función sencilla
de estudiar. Frente a esto planteamos varias hipótesis,
como que la gráfica sufre un cambio de comportamiento
brusco entre 0.6 y 0.8 pues antes de estos valores la
gráfica aparenta un comportamiento lineal, pero luego
de estos valores se aprecia una curva. Otra hipótesis
planteada fue que los valores de configuración de la
simulación no fueron lo suficientemente altos, lo que
se descartó pues jugamos a realizar la simulación con
valores muy altos (una o dos magnitudes más que los
valores que usamos por defecto) y el comportamiento
seguía siendo el mismo.
5. También quisimos usar la función
numpy.random.seed para controlar la aleatorie-
dad del sistema y tener resultados reproducibles. En
un principio creímos que con llamar a la función una
vez en la declaración de las funciones era suficiente,
pero luego de una larga búsqueda y de mucha experi-
mentación llegamos a la conclusión de que es necesario
llamar a la función en cada celda del notebook para
que la semilla sea reconocida.
6. A nivel de grupo hubieron algunas dificultades al
momento de repartir el trabajo y de coordinarnos para
realizar el informe, pues aunque el código estuvo listo
relativamente rápido el informe se estuvo dilatando por
algunas semanas.
7. Una dificultad que nos parece relevante mencionar
son las altas expectativas que teníamos frente a nues-
tras propias exploraciones del problemas, pues se había
planteado explorar, por ejemplo, cómo varía α respec-
to a nsteps, o realizar un proceso de optimización, pero
estas ideas no pudieron lograrse por temas de tiempos
y organización del equipo, y algo del trabajo realizado
en avanzar en estos caminos no terminó por madurar.
4. Conclusiones
Confirmamos los resultados de los investigadores del
From old wars to new wars and global terrorism
Se observa que a medida que aumenta la probabilidad
de separación v el valor de α disminuye.
Observamos que para valores de v menores a 0,7 apro-
ximadamente la forma funcional de la figura 3 aparenta
ser una recta.
De la misma formar notamos que para valores de v
mayores a 0,7 la forma funcional del la figura 3 no es tan
clara y planteamos como hipótesis que esto se debe a la
naturaleza del sistema y no al tamaño de la simulación.
Cunado v tiende a cero las unidades de ataque tienden
a unirse formando sola unidad de ataque.
Cuando v tiende a uno el vector de estado tiende a
ser muy disperso, y las unidades de ataque tiende a un
valor de fuerza de ataque 1.

Referencias
1. N. Johnson, M. Spagat, J. Restrepo, J. Bohór-
quez, N. Suárez, E. Restrepo, y R. Zarama
(2005).
From old wars to new wars and global terro-
rism..Universidad Javeriana - Bogotá
2. Neil F. Johnson , Mike Spagat , Jorge A. Res-
trepo , Oscar Becerra , Juan Camilo Bohór-
quez, Nicolas Suárez , Elvira Maria Restrepo
y Roberto Zarama (2006).
Universal patterns underlying ongoing wars
and terrorism. Universidad Javeriana- Bogotá
3. Angel. Ardila (2007).
Física Experimental. Universidad Nacional de
Colombia- Bogotá