UNIVERSIDAD DE GUADALAJARA

CENTRO UNIVERSITARIO DE CIENCIAS EXACTAS E

INGENIERÍAS

DIVISIÓN DE CIENCIAS BÁSICAS

ANÁLISIS ESTADÍSTICO DE LAS TRAYECTORIAS DE

AUTÓMATAS CELULARES EN UN ENTORNO REGIDO
POR LAS REGLAS DEL JUEGO DE LA VIDA DE CONWAY

TESIS PROFESIONAL
QUE PARA OBTENER EL GRADO DE

MAESTRA EN CIENCIAS EN FÍSICA

PRESENTA

LAURA PÉREZ ARVISU

DIRECTOR DE TESIS

DR. THOMAS GORIN

GUADALAJARA, JALISCO, SEPTIEMBRE, 2022
Dedicatoria
A mi familia por todo su apoyo y a mi director de tesis por su paciencia y esfuerzo.
Agradecimientos
En primer lugar quiero agradecer a mi tutor, Thomas Gorin, quien con paciencia, dedicación y
guı́a me ayudó a completar este proyecto, nunca terminaré de agradecerle por su apoyo.
También quiero agradezco al Consejo de Ciencia y Tecnologı́a (CONACYT) y a la Universidad
de Guadalajara por brindarme todos los recursos y herramientas que fueron necesarios para llevar
a cabo el proceso de investigación. No hubiese podido arribar a estos resultados de no haber sido
por su incondicional ayuda.
Por último, quiero agradecer a mi familia y a mis amigos por apoyarme, especialmente a mi
compañero, Daniel, quien me ayudó en partes de la programación.

Muchas gracias a todos.

Índice

1. Introducción 1

2. Marco teórico y antecedentes. 3

2.1. Caminante aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Autómata celular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3. El juego de la vida de Conway . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4. Criticalidad auto-organizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3. Metodologı́a. 9
3.1. Fronteras periódicas y fronteras cerradas . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2. Control de la densidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3. Estudio de las avalanchas de células . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4. El Glider . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

4. Resultados y Discusiones 14
4.1. Control de la densidad y condiciones de frontera del tablero . . . . . . . . . . . . . . 14
4.1.1. Lluvia de células . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1.2. Fronteras del tablero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2. Avalanchas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.3. Glider . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3.1. Gliders auto-dirigidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4. Gliders auto-dirigidos vs dirigidos por Humanos . . . . . . . . . . . . . . . . . . . . . 22
4.5. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

5. Conclusiones y Recomendaciones 28
5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.2. Trabajos a futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

III
Índice de cuadros

1. Seguimiento del movimiento del centro del Glider para cada dirección y en cada
estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2. Movimientos permitidos por el Glider para girar . . . . . . . . . . . . . . . . . . . . . 13

IV
Índice de figuras

1. Autómata celular elemental regla 30 . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2. Patrones en GOL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3. Movimiento del Glider . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4. Modelo de la pila de arena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
5. Gráficas de criticalidad auto-organizada en GOL, Baky Creutz . . . . . . . . . . . . 8
6. Vista del Glider auto-dirigido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7. Mecanismo de cambio de dirección del Glider . . . . . . . . . . . . . . . . . . . . . . 13
8. Densidad de células vivas en el tiempo para diferentes tasas de lluvia de células . . 15
9. Densidad de células vivas para diferentes condiciones de densidad inicial . . . . . . 16
10. Densidad de células vivas contra tasa de lluvia de células . . . . . . . . . . . . . . . 17
11. Densidad de células vivas de una frontera periódica contra una frontera cerrada . . 18
12. Comparación de resultados obtenidos contra el modelo de Bak y Creutz para la
criticalidad auto-organizada en el tamaño de las avalanchas . . . . . . . . . . . . . . 19
13. Comparación de resultados obtenidos contra el modelo de Bak y Creutz para la
criticalidad auto-organizada en el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . 19
14. Densidad promedio ρv para lluvia de células y lluvia de bloques de un entorno con
Glider auto-dirigido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
15. Logaritmo de la probabilidad de supervivencia de los Gliders auto-dirigidos para
lluvia de células y bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
16. Desviación estándar de la distancia del Glider auto-dirigido respecto al origen para
lluvia de células y lluvia de bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
17. Densidad promedio para el caso de Gliders dirigidos por humanos contra Gliders
auto-dirigidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
18. Logaritmo la probabilidad de supervivencia de los Gliders para el caso dirigidos por
humanos contra los auto-dirigidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
19. Desviación estándar para el caso de Gliders dirigidos por humanos contra Gliders
auto-dirigidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
20. Promedio de la distancia respecto al origen en cada paso de tiempo para el caso
de Gliders dirigidos por humanos contra Gliders auto-dirigidos . . . . . . . . . . . . 26

V
Abstract

John Conway’s Game of Life (GOL) is a dynamical system comprised of a rectangular square
lattice that evolves through discrete steps where each point is determined by local rules involving
the state of its Moore neighbors. It may be seen as a cartoon model for the evolution of a society of
living organisms where its state at any time step depends only on the initial state of the board. In
this project we investigate the evolution of the model and how it is affected by small perturbations
of the celular automaton rules: affecting the density within it through a rain of individual living cells
and blocks of these living cells randomly within the board. We found this to be an effective method
for controlling the equilibrium density on the board regardless of initial or boundary conditions. We
were interested in measuring the size and duration of avalanches produced by the interaction of
living cells outside the initial state of the system, where we replicated the critical self-organized
behavior of these shown by Bak and Creutz in 1989[2].
Using one of the patterns found in GOL, the Glider, we studied the behavior of the Glider when
it is directed by humans and when it is deterministically self-directed. In both cases we used an
environment with a rain of cells and blocks on the board. We found that self-directed Gliders survive
for a longer time than those directed by humans, and we also found in humans a preference for
positive axes and for the vertical axis over the horizontal axis. Finally, we found that when a Glider is
placed in a cell-rain environment it manages to reach a greater distance compared to those placed
in a block-rain environment, however, the first one mentioned survive for a shorter time than the
second one.

Resumen

El juego de la vida de John Conway, GOL por sus siglas en inglés (Game of Life), es un sistema
dinámico comprendido en un enrejado cuadrado rectangular que evoluciona a través de pasos
discretos en donde cada punto está determinado por reglas locales que involucran el estado de
sus vecinos de Moore. Este puede ser visto como un modelo de la evolución de una sociedad de
organismos vivos donde su estado en cualquier paso de tiempo depende únicamente del estado
inicial del tablero. En este proyecto investigamos la evolución del modelo y como es afectado por
pequeñas perturbaciones: a través de una lluvia de células vivas individuales y de bloques de estas
de forma aleatoria dentro del tablero, donde encontramos que este es un método efectivo para el
control de la densidad de equilibrio en el tablero sin importar las condiciones iniciales o de frontera.
Nos interesó la medición del tamaño y duración de las avalanchas producidas por la interacción

VI
de células vivas ajenas al estado inicial del sistema, donde replicamos el comportamiento critico
auto-organizado de estas mostrado por Bak y Creutz en 1989[2].
A través de uno de los patrones encontrados en GOL, el Glider, estudiamos el comportamiento
de este al ser dirigido por humanos y al ser auto-dirigido de forma determinista. En ambos casos
se utilizó un ambiente con lluvia de células y de bloques de manera aleatoria en el tablero. Encon-
tramos que los Gliders auto-dirigidos sobreviven por un tiempo mayor que aquellos dirigidos por
humanos, además encontramos en los humanos una preferencia por permanecer en una misma
dirección, además de una predilección por los ejes positivos y por el eje vertical sobre el horizon-
tal. Finalmente encontramos que cuando se coloca a un Glider en un entorno con lluvia de células
este consigue llegar a una distancia mayor en comparación a aquellos colocados en un entorno de
lluvia de bloques, sin embargo, los primeros sobreviven por un menor tiempo que los segundos.

VII
1. Introducción

En la actualidad los avances tecnológicos nos han permitido realizar un seguimiento de los pa-
trones que forman las trayectorias de distintos organismos vivos, ayudándonos a entender cómo
estos se relacionan con su ambiente. Esto ha conllevado en la creación de modelos que sean ca-
paces de predecir sus movimientos. Los caminantes aleatorios han sido durante un largo tiempo
los más utilizados en la literatura para modelar el comportamiento de diferentes tipos de orga-
nismos. Estos modelos describen las decisiones de movimientos como procesos Markovianos de
primer orden [9], en otras palabras, tienen la particularidad de ser procesos estocásticos cuyos
ensayos deben darse en periodos iguales y tener un numero finito de estados, además, su esta-
do futuro depende únicamente del estado presente, es decir, son independientes de sus estado
pasado. Procesos con estas caracterı́sticas han ayudado a describir de forma exitosa el comporta-
miento de partı́culas microscópicas, organismos simples como insectos y bacterias [13] e incluso
se han utilizado para describir el desplazamiento de monos araña [11] y predadores marinos[12].

Una de las formas menos invasivas de estudiar organismos individuales y organismos en gru-
pos consiste en observar los caminos recorridos por éstos. Ası́ surge la pregunta: ¿qué tipo de
información se puede obtener de tales observaciones? Hay un gran número de variables que pue-
den afectar los recorridos: cambios en el entorno, interacciones entre varios organismos, aprendi-
zaje y memoria, como se ha podido observar en distintos trabajos, por ejemplo, el de Dannemann
y Boyer [5]. Nosotros queremos estudiar este fenómeno realizando un análisis estadı́stico detalla-
do sobre algunos de estos efectos. Optamos por un modelo matemático minimalista tanto para el
entorno como para los agentes, en un intento de captar diferentes maneras de interactuar con el
ambiente y con otros organismos en su forma más elemental.

El juego de la vida de Conway o GOL es un modelo determinista de autómatas celulares donde

la evolución temporal depende únicamente de las condiciones iniciales del sistema. Este modelo
presenta comportamientos semi-caóticos interesantes y nuestro propósito es modelar un entorno
con dichas caracterı́sticas en el cual uno de los patrones móviles existente en este entorno, el
Glider, interactúe utilizando un manejo simple en el cual las decisiones binarias de navegación
a través del tablero sean tomadas de manera determinista, para posteriormente agregar a este
unos factores que modifiquen la complejidad de sus decisiones, siendo posteriormente navega-
do por jugadores humanos para finalmente intentar escalar estas distintas inteligencias de forma

1
analı́tica por orden de complejidad.

Ya anteriormente en la tesis titulada ’Autómatas autónomos en un entorno de autómatas celu-

lares’ de Daniel Vargas [14], se estudió el comportamiento del patrón conocido como Glider en el
Juego de la Vida de Conway, esto con la intención de estudiar la densidad del tablero y observar
las trayectorias de este. En su caso intentaron controlar la densidad alterando las condiciones de
frontera, utilizando las células a la orilla del tablero, haciendo que estas mueran y revivan con cier-
ta probabilidad p1 y p2, respectivamente, con esto lograron llegar a una densidad de equilibrio en
el tablero, sin embargo nosotros buscamos modificar esta densidad de una forma diferente para
tener un mayor control, esto lo haremos agregando una lluvia de células y de bloques de células
al azar a lo largo del tablero con una cierta tasa de generación.

Como es de nuestro interés realizar un estudio previo de la evolución de la densidad de las

células a través del tiempo, modificaremos el método de medición de avalanchas utilizado en el
artı́culo de Bak y Creutz [2], en donde se encontró que la relación entre el tamaño de las ava-
lanchas creado al agregar una sola célula en el tablero generó una relación de ley de potencias
respecto al tiempo que duran las avalanchas y su frecuencia, ası́ como también se encontró este
comportamiento respecto al tamaño de las avalanchas y su frecuencia. Queremos ası́, replicar
los resultados a través de un método distinto en el cual se utilicen dos colores para determinar el
inicio y final de la avalancha para posteriormente utilizar este método en un ambiente diferente en
el cual exista una lluvia de células vivas y una lluvia de bloques de células vivas en el tablero para
comprobar si de esta manera siguen teniendo un comportamiento similar a una ley de potencias.

Nuestro estudio se centrará en la simulación de un Glider auto-dirigido de manera determinista

en un entorno con lluvia de células y lluvia de bloques, de esta manera investigaremos si existe una
diferencia significativa en el comportamiento de las trayectorias de este de acuerdo al ambiente en
el cual se desenvuelve. Posteriormente simularemos un Glider manualmente dirigido por humanos
en un entorno con lluvia de células y bloques para comparar el resultado con el Glider auto-dirigido
y ası́ estudiar las diferencias entre el comportamiento de distintos tipos de inteligencias.

2
2. Marco teórico y antecedentes.

El término caminante aleatorio fue introducido en 1905 por Karl Pearson [10], este se describe
como un objeto matemático que sigue una trayectoria basada en una sucesión de pasos aleato-
rios que pueden modelarse como la suma de sus desplazamientos independientes. Algunos de
los casos especı́ficos o lı́mites más conocidos de estos son los vuelos de Lévy y el movimiento
browniano.

2.1. Caminante aleatorio

Un caminante aleatorio en una dimensión puede moverse en cualquier dirección sobre el eje
x, de esta forma, su movimiento está dado por

1
 
+∆x : 
 
xi+1 = xi + 2 (1)
−∆x : 1 
 
2
Donde xi es la posición sobre el eje x en el i-ésimo paso de tiempo y ∆x es la distancia del
desplazamiento por cada paso de tiempo. Ası́, después de n pasos de tiempo, el desplazamiento
neto X está dado por
X = X1 + X2 + ... + Xn (2)

y el valor esperado para cada paso de tiempo es:

hX1 i = hX2 i = ... = hXn i = 0 (3)

además su desviación estándar está dada por

r
t
σ = ∆x (4)
∆t

Esta última ecuación es una propiedad caracterı́stica del caminante aleatorio: la desviación
√
estándar, σ, es proporcional a la raı́z cuadrada del tiempo, t, durante el cual este desplazamiento
ocurre. Por último, un dato de interés es su distribución de probabilidad, la cual cuando el número
de pasos tiende a infinito esta dada por
r
X2
 
1
P (X) = exp − (5)
2πσ 2 2σ 2

3
2.2. Autómata celular

Un autómata celular es un modelo computacional discreto, este consiste de un enrejado de

células con un determinado número de estados que siguen un número de pasos discretos de
acuerdo a un conjunto de reglas basadas en el estado de sus células vecinas.
El modelo más sencillo de autómata celular es uno binario, uno-dimensional que actúa en
base a sus vecinos más cercanos, este tipo de autómata es llamado autómata celular elemental,
teniendo un total de 256 posibles reglas el cual ha sido estudiado extensivamente por S. Wolfram
[16], un ejemplo se muestra en la Figura 1.

Figura 1: Ejemplo de un tipo de autómata celular elemental. En la parte superior se muestran

las reglas para la evolución del autómata celular elemental y en la parte inferior su evolución a
través del tiempo. [15]

En cambio, en dos dimensiones, el modelo más conocido es el del Juego de la Vida de John
Conway, este es un modelo binario que utiliza una vecindad de Moore de rango 1 y donde solo
interesa el número total de células vecinas encontradas en un estado determinado. Una de las
caracterı́sticas más importantes de este modelo es su capacidad de realizar cómputo universal,
es decir, que con una distribución inicial apropiada de células vivas y muertas, este se puede
convertir en una computadora de propósito general, es decir, en una máquina de Turing, estas
pruebas fueron demostradas por Berlekamp, Conway y Guy en 1982 [4].

4
 En el artı́culo de 1984 de Wolfram [17] categoriza los autómatas celulares en cuatro diferentes
tipos, de acuerdo con su comportamiento cuando estos inician con condiciones aleatorias:

Clase I, al final todas las células acaban siendo iguales.

Clase II, La evolución lleva a un conjunto de estructuras simples que son estables o periódi-
cas.

Clase III, La evolución lleva a un patrón caótico, es decir, su comportamiento es práctica-

mente imposible de predecir.

Clase IV, Casi todos los patrones iniciales evolucionan hacia estructuras que interactúan de
forma compleja e interesante, con la formación de estructuras locales que son capaces de
sobrevivir durante largos perı́odos de tiempo.

2.3. El juego de la vida de Conway

Para estudiar las trayectorias de un autómata en un entorno complejo nosotros proponemos

utilizar un modelo basado en el Juego de la Vida de Conway [6]. En este se utiliza un arreglo
ortogonal dos-dimensional de células cuadradas, cada una de estas puede encontrarse en dos
estados, viva o muerta, y cada una de estas interactúa con sus ocho vecinos. Además, la actua-
lización del tablero es de forma sı́ncrona y secuencial, tal qué los estados de las celdas en el
tiempo n + 1 solo dependen de los estados de las celdas en el tiempo n. Las reglas que se siguen
para determinar si una célula vive o muere son las siguientes

Cualquier célula viva con dos o tres vecinos vivos sobrevive.

Cualquier célula muerta con tres vecinos vivos se convertirá en una célula viva.

Cualquier otra célula morirá en la siguiente generación, ya sea que esté viva o muerta.

Conforme el sistema evoluciona, de acuerdo a las reglas del juego, surgen diversos patrones,
como puede verse en la Figura 2, que se pueden clasificar según su movimiento, en tres categorı́as

Vidas estáticas: Son patrones que se mantienen constantes a lo largo de los pasos de tiem-
po; a menos, que interactúen con otras celdas.

Osciladores: Son patrones que oscilan entre diversos estados pero se mantienen en la mis-
ma posición. Los hay de diversos números de estados.

Naves: Son patrones que aparte de oscilar entre estados cambian de posición.

5
Figura 2: La primera columna muestra tres ejemplos de las llamadas vidas estáticas, la segunda
columna muestra algunos osciladores y la tercera columna muestra ciertos tipos de naves.

En particular a nosotros nos interesará observar el comportamiento de un patrón, conocido

como Glider, este es el más pequeño y común de los patrones tipo nave, el cual esta contenido en
un recuadro de 3 × 3 y se desplaza en una unidad después de un periodo de 4 pasos de tiempo
como puede observarse en la Figura 3.

Figura 3: Movimiento de un Glider a través de sus 4 estados.

6
 Existen cuatro tipos de Gliders que se mueven en direcciones distintas: arriba a la izquierda,
arriba a la derecha, abajo a la izquierda y abajo a la derecha. Teniendo estos los mismos 4 pasos
de desplazamiento, estos son equivalentes a los observados en la Figura 3 pero se encuentran
con una cierta rotación de acuerdo a la dirección en la cuál estén desplazando.

2.4. Criticalidad auto-organizada

La criticalidad auto-organizada es un concepto introducido por Bak, Tang y Wiesenfeld en 1987

[1] utilizado para explicar el patrón de comportamiento de diversos sistemas o fenómenos com-
plejos existentes en la naturaleza. Estos sistemas complejos evolucionan hacia estados crı́ticos,
donde pequeñas alteraciones que se producen sin la intervención de ningún agente externo, pue-
den desencadenar una serie de eventos de cualquier tamaño conocidos como avalanchas. Estos
tienen algunas caracterı́sticas comunes: ruido inversamente proporcional a la frecuencia de la
 
señal f1 , conocido como ruido rosa, y estructuras espaciales fractales.

Figura 4: Imagen que muestra el resultado de una configuración del modelo de la pila de arena.
[7]

7
 Un ejemplo de este tipo de sistemas es el modelo de arena. Este modelo consiste en un
autómata celular situado en una reja, en donde cada punto tiene un valor asociado que corres-
ponde a la pendiente de la pila de arena, una vez llega al lı́mite de granos permitidos, la pila
colapsa y los granos se distribuyen a sus vecinos, causando avalanchas de distintos tamaños.
Una vez que el modelo de pila de arena alcanza su estado crı́tico, no hay correlación entre la
respuesta del sistema a una perturbación y los detalles de esta que la pudieron haber generado.
En general, esto significa que dejar caer otro grano de arena en la pila puede hacer que no ocurra
nada, o puede hacer que toda la pila se derrumbe en un deslizamiento masivo.
Anteriormente ya se ha estudiado el comportamiento del enrejado a través del tiempo para el
Juego de la Vida de Conway, por ejemplo, en el artı́culo de 1989 de Bak y Creutz [2], se describe
como al agregar células en el tablero y medir el tamaño y duración de las avalanchas creadas a
través del tiempo se identificó un comportamiento crı́tico auto-organizado, tanto en el tiempo como
en el tamaño de las avalanchas, como puede observarse en la Figura 5

Figura 5: Gráficas log-log obtenidas del artı́culo de 1989 de Bak y Creutz [2]. La gráfica izquierda
muestra la distribución de la frecuencia del tamaño, s (size), en esta, D(s) ∝ s−τ , donde τ ≈ 1,4 .
En la gráfica derecha se muestra la frecuencia de la duración, T (time), esta es una ley de poten-
cias, D(T ) ∝ T −b , donde b ≈ 1,6 . En ambos casos, la información se obtuvo de las avalanchas
conseguidas para un tablero de 100 × 100, promediando 40,000 perturbaciones y la lı́nea puntea-
da indica el ajuste lineal realizado.

8
3. Metodologı́a.

Para este proyecto se implementó un nuevo modelo en el cual se utiliza un agente conocido
como Glider para estudiar la complejidad del entorno de GOL, para esto se propuso además
una lluvia de células y bloques para poder tener un control sobre la densidad dentro del tablero.
Anteriormente en la tesis de Vargas [14] se habı́a intentado utilizar un control de la frontera para
alterar la densidad del tablero, sin embargo, ésta solo lograba modificar la densidad en la zona
alrededor del borde, sin afectar el centro del tablero, por lo cual hemos propuesto el modelo de
lluvia de células.
En la primera parte de este capitulo se mostrará el estudio realizado sobre dos tipos de fron-
teras en el tablero: fronteras periódicas y fronteras cerradas. Posteriormente hablaremos sobre la
metodologı́a utilizada en el control de la densidad y alternativas a esta anteriormente propuestas.
A continuación se describirá el método utilizado por Bak y Creutz [2] para el seguimiento de las
avalanchas de células vivas observadas en GOL y se describirá nuestro modelo propuesto para el
seguimiento de las mismas. Finalmente se abordará la metodologı́a utilizada para la programación
del Glider auto-dirigido y del Glider manualmente dirigido por humanos.

3.1. Fronteras periódicas y fronteras cerradas

Nuestro primer paso fue el de hacer una comparación entre fronteras cerradas y fronteras pe-
riódicas a través de un código realizado en Fortran. El primer tipo de frontera consiste en agregar
una lı́nea de células muertas alrededor del tablero, no aplicándose en éstas las reglas del Juego
de la Vida de Conway, es decir, éstas nunca cambiaban a un estado vivo. Sin embargo, las células
vecinas al borde del tablero las consideraban para decidir su estado posterior.
Para realizar el procedimiento de las fronteras periódicas se agregó una fila de células extra
en los bordes del tablero, a los lados y en la parte superior e inferior, en está fila extra se copiaba
el resultado de la última fila funcional, para que ası́ el comportamiento que se observaba en la
derecha del tablero continuara del lado izquierdo y lo mismo con la parte superior e inferior.

xf inal + 1 = xinicial

xinicial − 1 = xf inal

9
3.2. Control de la densidad

Para el estudio del control de la densidad del tablero se habı́a propuesto en la tesis de licencia-
tura de Vargas [14] utilizar una frontera cuyos elementos están determinados por dos parámetros,
p1 y p2 , que controlan la tasa de nacimiento y muerte, respectivamente, de las células del borde
del tablero, de está forma, alterando sus valores, se consiguió controlar la densidad de equilibrio.
Se observó que los resultados dependı́an de la proporción p1 /p2 , siendo la densidad directamente
proporcional a este coeficiente y no al valor individual de cada parámetro. Sin embargo, con este
método no fue posible controlar la densidad en todas las regiones del tablero, únicamente fue
posible alterar la densidad en la cercanı́a de los bordes.
Para facilitar el método de control de la densidad nuestra propuesta plantea utilizar únicamente
un parámetro: una tasa de lluvia de elementos aleatoria dentro del tablero. Para esto se programó
un algoritmo en Fortran que crea una lluvia de células y otro que crea una lluvia de bloques de
células de 2 × 2, como se muestra en el primer elemento de la Figura 2 (arriba a la izquierda).
En estos se agrega en cada paso de tiempo, de forma aleatoria dentro del tablero, una cantidad
de células vivas dependiente de una cierta probabilidad, una tasa de lluvia de elementos, ρv . De
forma similar programamos la lluvia de bloques.
Posteriormente estudiamos el tiempo que tardaban en llegar al estado de equilibrio para dis-
tintas tasas y tamaños de tablero y graficamos los resultados.

3.3. Estudio de las avalanchas de células

En el artı́culo de 1989 de Bak y Creutz [2] utilizaron un tablero de 100×100 en donde colocaron
una célula de forma aleatoria en el tablero, posteriormente hacı́an un seguimiento de la avalancha
y esperaban a que el tablero se encontrara de nuevo en reposo, repitiendo este proceso hasta ob-
tener la estadı́stica deseada. Nosotros propusimos un método distinto para el seguimiento de las
avalanchas, esto debido a que un propósito posterior era el de dar seguimiento a las avalanchas
en el entorno con lluvia de células y de bloques, por lo tanto necesitábamos una visualización
distintiva de la creación y termino de cada avalancha.
Nuestro método utiliza dos colores distintos: azul para las células vivas comunes en el tablero,
y verde para las células agregadas artificialmente de forma aleatoria. De esta forma, cualquier
célula nueva nacida según las reglas de GOL que tuviese por lo menos una vecina de color verde,
nacerı́a verde también.
La forma en la que medimos el inicio de las avalanchas fue agregando una célula verde de
forma aleatoria en el tablero, si observábamos que después de 10 pasos de tiempo aún existı́an

10
células verdes se consideraba que se habı́a generado una avalancha y, por lo tanto, guardábamos
los datos de la cantidad de células verdes generadas, la cantidad de las células verdes que morı́an
y la densidad total de células vivas en cada paso de tiempo. En caso contrario agregábamos otra
célula verde para intentar generar una avalancha. Para determinar el fin de las avalanchas inten-
tamos utilizar un algoritmo que nos indicara cuando la cantidad de células verdes fuera constante
tras varios pasos de tiempo y ası́ dar por terminada la avalancha, pero debido a que existen pa-
trones de estructuras oscilantes cuyos periodos son distintos entre sı́ no pudimos utilizar este
método. Por lo tanto optamos por utilizar la desviación estándar de la cantidad de células verdes
vivas totales en el tablero, si esta era menor al 0,1 % de la densidad total del tablero se daba
por terminada la avalancha. Este valor limite se consiguió de forma experimental. De esta forma
pudimos replicar los resultados obtenidos en el artı́culo de Bak y Creutz [2].
Intentamos replicar este método con una lluvia de células de color azul a la cuál agregamos
de la misma forma células verdes para la búsqueda de avalanchas. Sin embargo, al ser mayor
la cantidad de células cambiantes en el tablero y, por lo tanto, mayor la desviación estándar, no
fue posible encontrar un porcentaje que nos indicase satisfactoriamente el fin de las avalanchas,
además de que observamos que en todas las ocasiones que se generaba una avalancha el tablero
terminaba completamente verde después una cantidad finita de pasos de tiempo. Por lo cual no
fue posible dar seguimiento a las avalanchas con este método en el entorno de lluvia de células y
bloques.

3.4. El Glider

En cuestión del estudio del Glider, a diferencia de las secciones anteriores, hemos decidido
programar en Python con la intención de realizar un entorno virtual más amable con los usuarios
humanos utilizando la librerı́a de pygame, además de esto una meta a futuro es la de integrar
redes neuronales al proceso, para lo cual también existen librerı́as útiles en dicho lenguaje de
programación.
Para controlar la forma en la que el Glider navegaba se creo una lista de datos relevantes a
este en la cual se guardaban cinco distintos tipos de datos:

La dirección en la que navegaba. Al moverse este en diagonal tenı́a cuatro posibles opcio-
nes: arriba a la derecha (UR), abajo a la derecha (DR), arriba a la izquierda (UL) y abajo a
la izquierda (DL).

La distancia recorrida en los ejes x y y. Al ser el borde del tablero periódico, no hay lı́mite
para la distancia desde el centro, sin importar el tamaño del tablero.

11
 El tiempo de vida. Este comienza a contar desde que el Glider aparece en el tablero.

El estado del Glider. Este puede encontrarse en 4 diferentes estados como se muestra en la
figura 3.

De existir, la orden de la dirección a la cual debe cambiar su movimiento.

Para dar seguimiento a la posición del Glider se utilizó un color diferente al resto de células
vivas en el tablero, siendo este azul y el resto de células de color negro, además se utilizó la
información del Cuadro 1, en la cual se puede observar que el Glider avanza de posición solo en
los estados 1 y 3, ası́ se daba seguimiento a la posición de su centro dependiendo del estado
de este y de su dirección de movimiento. De esta forma para determinar la muerte del Glider se
comprobaba en cada paso de tiempo de que el cuadrado de 3 × 3 en el que estaba contenido
tuviese 5 células de color azul, en caso contrario se consideraba muerto.

Cuadro 1: Seguimiento del movimiento del centro del Glider para cada dirección y en cada esta-
do
Estado en el que se encuentra y cambio de dirección
Dirección del Glider 0 1 2 3
Up-Left(UL) 0 1 unidad hacia arriba 0 1 unidad a la izquierda
Up-Right(UR) 0 1 unidad a la derecha 0 1 unidad hacia arriba
Down-Left(DL) 0 1 unidad a la izquierda 0 1 unidad hacia abajo
Down-Right(DR) 0 1 unidad hacia abajo 0 1 unidad a la derecha

Para crear el Glider auto-dirigido se seleccionó una ventana de 7 × 7 enfocada en la dirección

a la cual este se movı́a, como se observa en la figura 6, y de encontrarse una célula viva en esta
área el Glider girará hacia la derecha o izquierda dependiendo del estado en el que se encuentre,
según lo visto en el Cuadro 2, para agilizar su repuesta.

Figura 6: Vista del Glider auto-dirigido, en color rosa se muestra el área visible del Glider, la fle-
cha amarilla muestra la dirección en la que se dirige y la azul el tamaño del Glider.

12
 Movimiento permitido en el estado
Dirección inicial del Glider 0 1 2 3
Up-Left(UL) UR (2) UR(3) DL(0) DL(1)
Up-Right(UR) DR(2) DR(3) UL(0) UL(1)
Down-Left(DL) UL(2) UL(3) DR(0) DR(1)
Down-Right(DR) DL(2) DL(3) UR(0) UR(1)

Cuadro 2: Movimientos permitidos por el Glider para girar

Lo cual se puede observar más claramente en la figura 7

Para el Glider controlado por humanos se utilizó la misma lógica del cambio de dirección
utilizado en la Figura 7, sin embargo en este caso se agregó un sistema de control por medio de
teclas, las cuales agregaban a la lista la orden del cambio de dirección, siendo posible únicamente
los movimientos registrados en el cuadro 2.

Figura 7: Mecanismo de cambio de dirección del Glider. Cada dirección en la que puede mover-
se el Glider puede encontrarse a su vez en 4 estados, cambiando de estado dos células en cada
estado del Glider se puede cambiar de dirección y llegar a un estado determinado según lo indi-
can las flechas blancas.

13
4. Resultados y Discusiones

Esta sección se dividirá en 3 partes:

Control de la densidad y condiciones de frontera del tablero. En este apartado discutimos

los resultados encontrados en la densidad de equilibrio al utilizar una lluvia de células y una
lluvia de bloques, observando la diferencia obtenida al utilizar distintos tamaños en el tablero
y diferentes tasas de lluvia de células.

Glider autodirigido. En esta sección se muestran los resultados obtenidos por el Glider di-
rigido de manera determinista para un entorno con lluvia de bloques y otro con lluvia de
células.

Gliders dirigidos por humanos. En esta sección se compara el comportamiento de un Glider

dirigido por un humano contra uno autodirigido.

4.1. Control de la densidad y condiciones de frontera del tablero

Para controlar la densidad de equilibrio hemos propuesto dos estrategias:

Lluvia de elementos (células vivas y bloques vivos de células de 2 × 2) de forma aleatoria en

el tablero

Control de las condiciones de frontera: fronteras periódicas y fronteras cerradas.

4.1.1. Lluvia de células

Para iniciar con el procedimiento del análisis de las trayectorias de los Gliders encontramos
una forma de controlar la densidad de células vivas en el tablero, para esto se utilizó una lluvia de
células y una lluvia de bloques, como se describe en la sección 3.2.
Para el estudio de la densidad de equilibrio el primer paso fue mantener el tamaño del tablero
fijo al igual que la densidad inicial, y se procedió a utilizar distintas tasas de lluvias de células para
observar su comportamiento.

14
Figura 8: Densidad de un tablero de 80 × 80 a través del tiempo, para la misma densidad inicial
ρv = 0,5.Las curvas corresponden a las tasas de lluvia pt = 0,0034, 0,004, 0,005, 0,0067, 0,02 y
0,04, respectivamente

Como podemos observar en la figura 8, para todos los casos presentados la densidad alcanza
su estado de equilibrio después de aproximadamente n = 250 pasos de tiempo. Además, encon-
tramos que es posible controlar la densidad en el tablero en un rango especifico alterando la tasa
de lluvia de células. Esto resulta particularmente útil para modificar la jugabilidad del Glider con-
trolado por humanos y realizar una comparación con el comportamiento del Glider auto-dirigido
en las mismas condiciones.
A continuación investigamos el comportamiento de la densidad de equilibrio en un escenario
en el cual el tamaño del tablero y la tasa de lluvia de células se mantienen fijos y la única variable
es la densidad inicial en el tablero, para lo cual se realizó la gráfica de la figura 9

15
Figura 9: Densidad de un tablero de 80 × 80 a través del tiempo, para la misma tasa de lluvia
pt = 0,0034. Las curvas corresonden a las densidades iniciales ρv = 0, 0,05, 0,15, 0,33 y 0,5,
respectivamente

Como podemos observar en la figura 9, sin importar la densidad inicial de células vivas que
se tome el tablero llegará a un estado de equilibrio en un tiempo finito, incluso si se inicia con un
tablero que tiene todas sus células muertas. Lo único que se ve afectado al modificar la densidad
inicial es el tiempo que se demora el tablero en llegar a su estado de equilibrio, llegando más
rápido a este entre más cercano se encuentre de la densidad de equilibrio deseada.
Las figuras anteriores provocaron cuestionar nos si existe un lı́mite termodinámico para el
tamaño del tablero. Para obtener una respuesta realizamos simulaciones para distintos tamaños
de tableros con las mismas condiciones de lluvia de células y observamos el comportamiento de
la densidad, como puede observarse en la figura 10.

16
Figura 10: Relación entre la densidad de células vivas en el tablero contra la tasa de lluvia de
células para varios tamaños de tableros utilizando en todos los casos una densidad inicial de
ρv = 0,5

Como se muestra en la figura 10, entre mayor es el tamaño del tablero, las lineas se encuentran
más cercanas entre sı́, indicando que efectivamente existe un lı́mite para la densidad de equilibrio
en el tablero cuando el tamaño del tablero tiende al infinito. No obstante, como se puede observar,
no existe una diferencia significativa entre el tablero más pequeño y el resto, sin embargo, el
tiempo de computo necesario para llevar a cabo la simulación de Gliders dirigidos por humanos
se incrementaba significativamente, por tal motivo decidimos tomar el tablero de 80 × 80 como
base.

4.1.2. Fronteras del tablero

Nuestro siguiente objetivo es el de comparar el resultado entre una frontera periódica y una
frontera cerrada en el caso de una lluvia de células. Ambos tipos de frontera se definen en la
sección 3.1. Para poner a prueba la hipótesis sobre la existencia de un comportamiento similar en
la densidad sin importar las condiciones iniciales en el tablero se utilizaron distintos valores en la
densidad inicial , ρv , en donde no encontramos diferencia significativa. En la figura 11 se muestran
los resultados para dos casos especı́ficos: uno en el cual se utiliza una densidad inicial de ρv = 0,5

17
y otro con una densidad inicial de ρv = 0,15

Figura 11: Gráfica comparativa entre la densidad obtenida en una frontera periódica, en color
negro, y una obtenida con una frontera cerrada, en color azul. Para un tablero de 1000 × 1000 con
una densidad inicial de ρv = 0,50 y de ρv = 0,15.

En el caso expuesto en la figura 11 se inició con una densidad inicial del ρv = 0,50 y otra del
ρv = 0,15 de células vivas en un tablero de 1000 × 1000, como podemos observar, las condiciones
de frontera no afectan el resultado obtenido, tanto en la frontera cerrada como en la frontera
periódica se alcanza el estado de equilibrio aproximadamente a los n = 250 pasos de tiempo. A
partir de este momento decidimos utilizar las fronteras periódicas para el resto de los escenarios
estudiados, pues estas son necesarias en el estudio de los Gliders dirigidos por humanos.

4.2. Avalanchas

Ahora bien, el siguiente paso fue estudiar el comportamiento de las avalanchas encontradas
en nuestro modelo y asegurarnos de que eran consistentes con los resultados encontrados por
Bak y Creutz en su artı́culo de 1989 [2], para ello se utilizó la metodologı́a descrita en el capı́tulo
3.3. Los resultados se pueden observar en las figuras 12 y 13.
En su modelo se utilizó un tamaño de tablero de 100 × 100 y se realizaron 40 000 repeticiones.
En nuestro modelo se utilizó un tablero de tamaño 200 × 300, se realizaron 3 200 repeticiones y

18
para el histograma de los logaritmos se utilizaron 50 columnas.

Figura 12: A la izquierda se muestra la gráfica obtenida a partir de nuestros resultados: en vio-
leta se muestran los resultados experimentales y en azul se muestra sobrepuesto el resultado
obtenido por Bak y Creutz D(s) = s−1,4 para el tamaño de las avalanchas. A la derecha se mues-
tran los resultados obtenidos en el articulo de Bak y Creutz en 1989 [2] para este mismo caso.

Figura 13: A la izquierda se muestra la gráfica obtenida a partir de nuestros resultados: en vio-
leta se muestran los resultados experimentales y en azul se muestra sobrepuesto el resultado
obtenido por Bak y Creutz D(T ) = T −1,6 para el tiempo de duración de las avalanchas. A la de-
recha se muestran los resultados obtenidos en el articulo de Bak y Creutz en 1989 [2] para este
mismo caso.

Si bien se puede observar el comportamiento esperado de acuerdo a la distribución de las

frecuencias de tamaño y tiempo de duración de las avalanchas observado en Bak y Creutz [2]
no fue posible realizar un experimento similar en un caso de lluvia de células, esto debido a que
cuando intentamos hacer el seguimiento de las avalanchas estas terminaban cubriendo todo el
tablero en un tiempo finito, haciendo imposible detectar el final de la avalancha, esto fue descrito
en mayor profundidad en la sección 3.3.

19
4.3. Glider

4.3.1. Gliders auto-dirigidos

Otro objetivo fue la de modificación de la densidad del tablero con otro tipo de estructuras, para
esto utilizamos una lluvia de bloques de células vivas de 2 × 2, es decir la primera estructura vista
en la Figura 2, para observar el comportamiento en comparación con la lluvia de células individual.

Figura 14: Densidad promedio para lluvia de células (morado) y lluvia de bloques (azul) para dis-
tintos tamaños de tablero en un entorno con Gliders auto-dirigidos, de tono más claro a más os-
curo se tienen los tableros de 80 × 80, 160 × 160 y 320 × 320, respectivamente para ambos colores.

En cuestión de la densidad de equilibrio realizamos varias pruebas en un entorno sin Gliders

para determinar la tasa de lluvia que nos diera el mismo resultado en ambos casos, para esto se
dejó fija la tasa de lluvia de células con una probabilidad de pt = 0,001 de que se agregase una
célula viva de forma aleatoria en el tablero por paso de tiempo, ya que esta se encontró viable para
la jugabilidad de los humanos, mientras que la tasa de lluvia de bloques se ajustó para llegara la
misma densidad de equilibrio, teniendo esta un valor de pt = 0,0007 de agregar un bloque en el
tablero por paso de tiempo.
La densidad de equilibrio obtenida en ambos casos para un entorno con Gliders auto-dirigidos
no muestra una diferencia considerable, precisamente porque se seleccionó de tal forma que
la densidad inicial en ambas concordara, sin embargo, parece que el tamaño del tablero afecta

20
ligeramente la densidad de equilibrio a la que se llega, lo cual ya se habı́a comprobado en la
Figura 10, .

Figura 15: Logaritmo de la probabilidad de supervivencia de los Gliders auto-dirigidos a través

del tiempo para la lluvia de células (morado) y la lluvia de bloques (azul) para distintos tamaños
de tablero, de tono más claro a más oscuro se tienen los tableros de 80×80, 160×160 y 320×320,
respectivamente para ambos colores.

Aplicando las dos estrategias de lluvias de elementos en un entorno con un Glider auto-dirigido
encontramos que los Gliders suelen sobrevivir por un tiempo mayor cuando se utilizan lluvia de
bloques de células en comparación con la lluvia de células individuales, sin importar el tamaño del
tablero, como puede observarse en la Figura 15. Esto parece ser causado porque en el entorno de
las células individuales se observan una mayor cantidad de avalanchas, lo cual puede deberse a
que se tiene que agregar una tasa de lluvia de células aproximadamente 30 % mayor para obtener
la misma densidad que en el caso de la tasa de lluvia de bloques. Al tener una mayor cantidad
de avalanchas el Glider suele morir antes pues estas son complicadas de esquivar debido a que
suelen tener una mayor velocidad de esparcimiento que la velocidad del Glider. Mientras que los
bloques suelen crear estructuras fijas inmóviles que son un obstáculo más sencillo de esquivar
para los Gliders auto-dirigidos.

21
Figura 16: Desviación estándar de la distancia del Glider auto-dirigido respecto al origen para
la lluvia células (morado) y la lluvia de bloques (azul) para distintos tamaños de tablero, de tono
más claro a más oscuro se tienen los tableros de 80 × 80, 160 × 160 y 320 × 320, respectivamente
para ambos colores.

A continuación procedimos a calcular la desviación estándar de la distancia respecto al origen

a laque llegaban los Gliders auto-dirigidos en cada paso de tiempo, como se muestra en la figura
16. En esta gráfica podemos notar una clara diferencia entre la lluvia de bloques y la lluvia de
células, sin importar el tamaño de tablero que se elija. Cuando hablamos de lluvia de células
individuales podemos notar que los Gliders se alejan más de su posición inicial que aquellos que
viajan en entornos de lluvia de bloques, sin embargo, los primeros tienden a morir más rápido.

4.4. Gliders auto-dirigidos vs dirigidos por Humanos

El siguiente paso que realizamos fue el de programar un modelo para estudiar el comporta-
miento de un Glider manualmente controlado por un humano, este lo realizamos en un tablero de
80 × 80 con fronteras periódicas y posteriormente lo comparamos con los resultados obtenidos por
el Glider auto-dirigido en un tablero con las mismas condiciones. Para ambos casos, el del Glider
auto-dirigido y dirigido por humanos, añadimos las condiciones con lluvia de células y de lluvia de
bloques. La densidad utilizada fue de pt = 0,001 para la tasa lluvia de células y de pt = 0,0007
para la tasa de lluvia de bloques con lo cual obtuvimos los siguientes resultados:

22
Figura 17: Densidad promedio en el tablero a través del tiempo para Gliders auto-dirigidos (en
azul con lluvia de bloques y en morado con lluvia de células) y Gliders dirigidos por humanos (en
verde con lluvia de bloques y en naranja con lluvia de células.

En el caso de la densidad se puede apreciar en la figura 17 que la densidad tiene pequeñas

fluctuaciones a lo largo de la vida de los Gliders, la cual se reduce ligeramente con el tiempo, este
decrecimiento sin embargo puede deberse a que la estadı́stica en tiempos mayores cuenta con
un menor número de Gliders vivos y por lo tanto una menor precisión.

Además de esto podemos notar que tanto en el caso del Glider dirigido por el humano como
el auto-dirigido se encuentra una mayor densidad de equilibrio en la lluvia de bloques en com-
paración con aquella con lluvia de células, esto puede deberse a la interacción del Glider con el
entorno, puesto que aquellos Gliders que sobrevivieron en la lluvia de células, probablemente se
encontraban en un entorno con menos avalanchas para poder sobrevivir todo ese tiempo.

23
Figura 18: Logaritmo de la probabilidad de supervivencia de los Gliders para el caso auto-dirigido
(en azul con lluvia de bloques y en morado con lluvia de células) y Gliders dirigidos por humanos
(en verde con lluvia de bloques y en naranja con lluvia de células.

Como podemos observar en la figura 18 en los humanos se repite el mismo patrón de super-
vivencia entre los entornos de lluvia de células y de bloques, sobreviviendo estos por un menor
tiempo en el entorno de lluvia de células individuales pero alcanzando distancias más lejanas res-
pecto al origen, como ya se habı́a comentado en la sección anterior en la Figura 15.

Sin embargo, de forma inesperada los Gliders auto-dirigidos sobreviven casi el doble de tiempo
que aquellos dirigidos por humanos. Esto puede deberse a varios factores, entre ellos los comen-
tados por los participantes son el hastı́o debido a la monotonı́a de la tarea, la cual provocaba
desinterés a largo plazo, y la difı́cil conducción del Glider, esto debido a que la reacción del cam-
bio de dirección no es instantánea sino que tiene que esperar a un estado especifico de los cuatro
existentes del Glider para poder girar.

24
Figura 19: Desviación Estándar de la distancia del Glider en el tiempo para Gliders auto-dirigidos
(en azul con lluvia de bloques y en morado con lluvia de células) y Gliders dirigidos por humanos
(en verde con lluvia de bloques y en naranja con lluvia de células) en ambos casos el tono más
oscuro denota el eje Y y en tono más claro para el eje X.

La gráfica de la figura 19 nos muestra una clara diferencia entre los Gliders controlados por
humanos y los auto-dirigidos, puesto que en el caso de los humanos estos suelen llegar más lejos
que los auto-dirigido sin importar el tipo de lluvia, además notamos una diferencia entre las pre-
ferencias del eje x y y, los humanos tienden a ir más lejos en el eje vertical que en el horizontal,
mientras que los auto-dirigidos no muestran diferencia alguna entre sus ejes.

Ası́ mismo podemos notar que los humanos también tienden a llegar más lejos en el caso de
lluvia de células que en el caso de lluvia de bloques, sin embargo, recordando los resultados de
la gráfica de la Figura 18, estos tienden a sobrevivir menos tiempo en la lluvia de células.

25
Figura 20: Promedio de la distancia respecto al origen en cada paso de tiempo para Gliders
auto-dirigidos (en azul con lluvia de bloques y en morado con lluvia de células) y Gliders dirigi-
dos por humanos (en verde con lluvia de bloques y en naranja con lluvia de células) en ambos
casos el tono más oscuro denota el eje Y y en tono más claro para el eje X.

Para confirmar nuestra hipótesis sobre la preferencia de los humanos por el eje vertical gra-
ficamos en la figura 20 la distancia promedio de los Gliders respecto al origen en cada paso de
tiempo. Aquı́ encontramos que efectivamente existe una preferencia por el eje vertical y además
descubrimos que en el caso de los humanos estos tienen una predilección al lado positivo de
ambos ejes. Mientras que los Gliders auto-dirigidos no muestran una preferencia por algún eje en
especifico, como era de esperarse.

Además, si comparamos la Figura 19 con la Figura 20 en el caso de los humanos podemos

observar que la desviación estándar en un tiempo posterior (aproximadamente t = 400 pasos de
tiempo en adelante) crece mucho más rápido que el desplazamiento. Lo cuál nos invita a inferir
que los humanos tratan de evitar a darse la vuelta, es decir intentan seguir adelante en una misma
dirección.

26
4.5. Discusión

Encontramos que la lluvia de elementos en el tablero fue más eficiente para alterar la densidad
de equilibrio del tablero que aquella en la cual solo se controlan las condiciones de frontera, ya que
de esta forma se llega más rápido al resultado deseado, tiene un rango de control más extenso y
las condiciones iniciales del tablero solo afectan ligeramente el tiempo que este tarda en llegar al
equilibrio.
Uno de nuestros intereses fue el de poder replicar los resultados obtenidos por Bak y Creutz
en su artı́culo de 1989 [2] para el análisis del tiempo y tamaño de las avalanchas, lo cual conse-
guimos utilizando el seguimiento de células por dos colores distintos, azul para las células vivas
genéricas del tablero y verde para las células que agregábamos de forma aleatoria para la gene-
ración de avalanchas. Sin embargo, al intentar replicar este método utilizando una lluvia de células
y de bloques no nos fue posible reconocer el final de las avalanchas. Esto se debió a que la des-
viación estándar causada por la lluvia de células del fondo (en color azul) era mayor a desviación
estándar que se encontraba al final de las avalanchas generadas en color verde, haciendo impo-
sible encontrar el valor limite que nos indicase el término de estas. Por lo tanto no nos fue posible
realizar la estadı́stica para este caso.
En cuestión de los resultados obtenidos por el Glider encontramos que los dirigidos por huma-
nos mueren de forma más rápida, lo cuál contradijo nuestra hipótesis inicial, esto podrı́a deberse
a varios factores como, por ejemplo, la forma de conducir el Glider, la cual no es de inmediata
reacción sino que necesita llegar al estado especifico del Glider para permitirle girar en el sentido
deseado, como se mostró en la figura 7, o podrı́a deberse al fastidio que pueden presentar los
jugadores en un entorno que permanece constante en el tiempo, el cual, dados los comentarios
de los participantes, cansaba la vista y perdı́a rápidamente el interés de estos en el juego. Sin
embargo, en cuestión de distancia, los humanos lograron llegar más lejos y encontramos que es-
tos suelen escoger una dirección fija para avanzar, evitando dar la vuelta o desviarse, además
tienen una preferencia por los ejes positivos y una fuerte preferencia por el eje vertical, reacción
que pudo ser causada por la instrucción: ”Procura sobrevivir el mayor tiempo posible y avanzar
cuanto puedas” que se le dio a los participantes. Lo cual nos puede hacer pensar en una tercera
razón, los humanos podrı́an estar arriesgándose por cumplir su objetivo de llegar más lejos y, en
consecuencia, mueren más rápido.

27
5. Conclusiones y Recomendaciones

5.1. Conclusiones

Se encontró que dentro de las reglas del Juego de la Vida de Conway las condiciones de
frontera, ya sean cerradas o cı́clicas, no afectan la densidad de células vivas en el tablero a
través del tiempo, ası́ como sus condiciones iniciales no afectan la densidad, sin embargo estas
sı́ influyen en el tiempo que tarda el tablero en llegar al estado de equilibrio.
Descubrimos que se puede controlar la densidad del tablero agregando una lluvia de elemen-
tos, en nuestro caso se utilizó una lluvia de células individuales y de bloques de células vivas de
2 × 2, en ambas situaciones se encontró que podemos controlar de forma más eficiente la densi-
dad de equilibrio en comparación con la metodologı́a utilizada por Vargas, D. [14] en su tesis de
licenciatura debido a que en nuestro caso es posible alterar la densidad en todas las regiones del
tablero y no solo en los bordes de este. Asimismo se encontró que esta densidad de equilibrio era
afectada por el tamaño del tablero que se utilizase, llegando a una lı́mite fijo entre mayor fuese la
dimensión del tablero. Respecto a la comparación entre los Gliders auto-dirigidos contra los con-
ducidos por humanos encontramos que los primeros sobreviven por un tiempo mayor, lo cual está
en contra de nuestra hipótesis inicial. No obstante, los humanos alcanzaron distancias mayores
respecto al origen respecto a los Gliders auto-dirigidos. Descubrimos que los humanos tienen una
predilección por los ejes positivos del tabl
Además, pudimos replicar los resultados del articulo de Bak y Creutz de 1989 [2], encontrando,
al igual que ellos, un comportamiento de criticalidad auto-organizada en nuestro modelo de ava-
lanchas. Sin embargo, no se pudo replicar este resultado en un entorno con lluvia de elementos.
Esto se debe a que la desviación estándar causada por la lluvia de células era mucho mayor a la
que se daba al término de una avalancha, por lo cual era imposible de rastrear el final de esta con
el mismo método utilizado para el entorno sin lluvia de elementos.
Al estudiar a los Gliders auto-dirigidos encontramos que estos viven un mayor tiempo cuando
existe una lluvia de bloques que cuando existe una lluvia de células, no obstante, en el segundo
caso los Gliders alcanzan distancias más lejanas en promedio. Además, observamos que cuando
se colocan Gliders en un tamaño de tablero mayor estos sobreviven por más tiempo, pese a contar
con fronteras periódicas, sin embargo, el tamaño del tablero no mostró diferencias contundentes
en el caso de las distancias finales alcanzadas por los Gliders.
Respecto a la comparación entre los Gliders auto-dirigidos contra los conducidos por humanos
encontramos que los primeros sobreviven por un tiempo mayor, lo cual está en contra de nues-

28
tra hipótesis inicial. No obstante, los humanos alcanzaron distancias mayores respecto al origen
respecto a los Gliders auto-dirigidos. Descubrimos que los humanos tienen una predilección por
mantener una dirección fija, evitando desviarse, prefieren los ejes positivos del tablero y muestran
una preferencia por el eje vertical sobre el eje horizontal del tablero.

5.2. Trabajos a futuro

En el estudio de las avalanchas uno de nuestros mayores problemas fue identificar el inicio
y termino de una avalancha, para esto utilizamos la desviación estándar de las células vivas del
tablero, dando por terminada una avalancha cuando esta superaba el 1 % del total de células
vivas en el tablero, sin embargo, esto solo fue posible en un tablero que no tenı́a lluvia de células
o bloques, ya que con la lluvia era muy complicado hacer el seguimiento de las avalanchas. Una
de las tareas a futuro es buscar una alternativa a esta metodologı́a.
Respecto a los Gliders controlados por humanos se pudo notar un hastı́o de los participantes
debido a la constancia del entorno, lo cual pudo afectar a la atención e interés de estos por
permanecer un mayor tiempo vivos, por lo cual, un trabajo a futuro es el de realizar algún otro tipo
de prueba más desafiante para observar si estos resultados se repiten, como por ejemplo, agregar
más Gliders para interáctuar o agregar comida o predadores en el juego para que sea necesaria
la creación de distintas estrategias.
Un objetivo a largo plazo es comparar de manera analı́tica la complejidad del comportamiento
de los autómatas en su entorno, por lo tanto, en un proyecto futuro se podrı́an realizar más pruebas
con diferentes tipos de individuos, por ejemplo, una red neuronal que controle al Glider o diversas
pruebas de supervivencia con más elementos en juego para poder discernir los elementos clave
a considerar para poder ponderar su complejidad.
Finalmente, se podrı́a estudiar en un trabajo futuro una comparación cuantitativa y cualitativa
de las trayectorias de los Gliders respecto a caminantes aleatorios o a vuelos de Levy para intentar
encontrar una forma analı́tica de medir la complejidad de las trayectorias.

29
Referencias

[1] Bak, P., Tang, C. Wiesenfeld, K. (1987). Self-organized criticality: An explanation of 1/f noise. Phys.
Rev. Lett. 59, 381-384. Physical Review Letters. 59. 381-384. 10.1103/PhysRevLett.59.381.

[2] Bak, P. and Creutz, M. (1989) Self-organized criticality in the ’Game of Life”. Nature 342, 780–782.

https://doi.org/10.1038/342780a0

[3] Bak, P. (1996) How Nature Works. Ch. 6 The ’Game of Life’: Complexity is Criticality, New York: Spinger,

pp. 105-111.

[4] Berlekamp, E. R. (1982) Conway, J. H.; and Guy, R. K. ”What Is Life?Çh. 25 in Winning Ways for Your

Mathematical Plays, Vol. 2: Games in Particular. London: Academic Press

[5] Dannemann, T. and Boyer, D. E. and Miramontes, O (2018). Lévy flight movements prevent extinctions

and maximize population abundances in fragile lotka-volterra systems. Proceedings of the National

Academy of Sciences 115, 15(2018), 3794-3799.

[6] Gardner, M. (1970) The fantastic combinations of John Conway’s new solitaire game ’life. Mathematical

Games. Scientific American. Vol. 223, no. 4. pp. 120–123. doi:10.1038/scientificamerican1070-120.

JSTOR 24927642.

[7] Fzxt. (2017). SandPileModel. GitHub. https://github.com/fzxt/SandpileModel

[8] Marsland, S. (2015) Machine Learning: An Algotrithmic Perspective. Second Edition. CRC Press Taylor

& Francis Group LLC.

[9] Papoulis, A. (1984) Brownian Movement and Markoff Processes. Ch. 15 in Probability, Random Varia-

bles, and Stochastic Processes, 2nd ed. New York: McGraw-Hill, pp. 515-553.

[10] Pearson, K. (1905). The Problem of the Random Walk. Nature, 72, 294–294. doi:10.1038/072294b0.

[11] Ramos-Fernández, G., Mateos, J. L., Miramontes, O., Larralde, H., Cocho, G. Ayala-Orozco, B. (2004)

Lévy walk patterns in the foraging movements of spider monkeys (Ateles geoffroyi).Behav.Ecol. Socio-

biol.55, 223–230. (doi:10.1007/s00265-003-0700-6)

[12] Sims, D. W.et al. (2008) Scaling laws of marine predator search behaviour.Nature451,

1098–1102.(doi:10.1038/nature06518)

30
[13] Turchin, P. (1998) Quantitative analysis of movement: measuring and modelling populationredistribution

in animals and plants. Sunderland, MA: Sinauer Associates.

[14] Vargas, D. (2019) Celular Automata en un Ambiente Celular. Universidad de Guadalajara.

[15] Weisstein, Eric W. Çellular Automaton.”From MathWorld–A Wolfram Web Resource.

https://mathworld.wolfram.com/CellularAutomaton.html

[16] Wolfram, S. (1983) Statistical Mechanics of Cellular Automata. Rev. Mod. Phys. 55, 601-644, 1983.

[17] Wolfram, S. (1984) Universality and complexity in cellular automata. Physica D 10, 1–35.

doi:10.1016/0167-2789(84)90245-8.

31