UNIVERSITAT

DE

VALENCIA

DEPARTAMENT DE MATEMATICA APLICADA

UN MODELO SISTEMICO DE EVOLUCION SOCIAL DUAL

Tesis presentada por:

Mohamed Nemiche

para optar al grado de Doctor en Matem aticas. Dirigida por Dr. Rafael Pla L opez Universitat de Val` encia

Valencia, 2002

UNIVERSITAT

DE

VALENCIA

DEPARTAMENT DE MATEMATICA APLICADA

UN MODELO SISTEMICO DE EVOLUCION SOCIAL DUAL

Tesis presentada por:

Mohamed Nemiche

para optar al grado de Doctor en Matem aticas. Dirigida por Dr. Rafael Pla L opez Universitat de Val` encia

Valencia, 2002

Dr. Rafael Pla L opez, Profesor Titular del departamento de Matem` atica Aplicada de la Facultat de Matem` atiques de la Universitat de Val` encia, CERTIFICA QUE: la presente memoria: Un Modelo Sist emico de Evoluci on Social Dual, ha sido realizada bajo su direcci on por Mohamed Nemiche, Licenciado en Matem aticas, y constituye su tesis para optar al grado de Doctor en Ciencias Matem aticas.

Burjassot, 1 de Mayo de 2002

Fdo:

Rafael Pla L opez

 INDICE
0.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cap tulo 1:. De la cibern etica a la Teor a del Aprendizaje 1 3 3 4 4 4 5 6 7

1.1. Cibern etica de Primer Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Cibern etica de Segundo Orden . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Retroalimentaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4. La Cibern etica y las Ciencias Sociales . . . . . . . . . . . . . . . . . . . . . . 1.5. Algunos Conceptos Principales de la Cibern etica de Segundo Orden . . . . . 1.6. Variedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.7. Entrop a, Incertidumbre e Informaci on . . . . . . . . . . . . . . . . . . . . . .

1.8. El Enfoque Sist emico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.9. Teor a General del Aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.10. Modelo General B asico de Evoluci on Social . . . . . . . . . . . . . . . . . . . 20 Bibliograf a Cap tulo 2:. Un Modelo de Evoluci on Social Dual 21 28

2.1. Los Subsistemas Sociales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.2. Elementos B asicos del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.3. Descripci on del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.4. Programaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 2.5. Especicaci on del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 2.6. Interpretaci on y Validaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 2.7. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 Bibliograf a i 61

Cap tulo 3:.

Inuencia de las condiciones iniciales en la evoluci on dual

64

3.1. Clasicaci on Cualitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.2. Reducci on de los Par ametros de Control . . . . . . . . . . . . . . . . . . . . . 67 3.3. Clasicaci on Cuantitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 3.4. Conclusiones y Posibles Interpretaciones . . . . . . . . . . . . . . . . . . . . . 83 Bibliograf a Cap tulo 4:. Efecto Revuelta 86 87

4.1. Fundamentos Te oricos del Efecto Revuelta . . . . . . . . . . . . . . . . . . . . 88 4.2. Las Condiciones que Favorecen la Disminuci on de PG (U, N ) para todo U . . . 89 4.3. Cu anto Puede Perdurar un Efecto Revuelta? . . . . . . . . . . . . . . . . . . 90 4.4. Clasicaci on del Efecto Revuelta Seg un las Evoluciones . . . . . . . . . . . . 100 4.5. Efecto Revuelta y Ecolog a . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 4.6. Distribuci on Geogr aca (Este/Oeste) del Efecto Revuelta . . . . . . . . . . . 102 4.7. Inuencia de Algunos Par ametros en la Aparici on de Efecto Revuelta . . . . 103

4.8. Conclusiones y Posibles Interpretaciones . . . . . . . . . . . . . . . . . . . . . 106 Bibliograf a Cap tulo 5:. Evoluci on del consumo 108 109

5.1. Evoluci on del Consumo en el Tipo I . . . . . . . . . . . . . . . . . . . . . . . 109 5.2. Evoluci on del Consumo en el Tipo II . . . . . . . . . . . . . . . . . . . . . . . 111 5.3. Evoluci on del Consumo en el Tipo III . . . . . . . . . . . . . . . . . . . . . . 113 5.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Bibliograf a Cap tulo 6:. 116 Perspectivas Futuras de Investigaci on y Cuestiones Abiertas117

6.1. Validaci on Cuantitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 6.2. Dualidad Sur/Norte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 ii

6.3. Solidaridad Global ante la Represi on . . . . . . . . . . . . . . . . . . . . . . . 118 Bibliograf a Ap endice A:. C odigo del Modelo en lenguaje C 119 120

iii

AGRADECIMIENTOS
Durante el desarrollo de la presente tesis doctoral, realizada en el Grupo de Sistemas del Departamento de Matem atica Aplicada de la Universitat de Val` encia, he recibido el apoyo de numerosas personas a las que quesiera expresar mi gratitud: A mis padres por el impulso moral y material, a mis hermanos (Kamal, AbdelbassetAbdessamad), a mis hermanas (Farida, Samira, Karima), y a mi primo Driss por el impulso moral.

A mi director Rafael Pla L opez por su conanza en mi, sus contribuciones y su plena colaboraci on en el desarollo de este trabajo.

A Don Lorenzo Ferrer Figueras por su apoyo desde el mi llegada a su grupo.

A mi tutor Antonio Caselles Moncho por su apoyo en todos los momentos y por lo mucho que aprend de el.

Al Dr. Vicent Castellar Bus o por su colaboraci on en el tercer cap tulo de la tesis.

A todos los profesores del Departamento de Matem atica Aplicada, y al profesor Emilio Soria del Departamento de Electr onica.

A la revista Kybernetes. Intenational journal of Systems and Cybernetics, por el premio otorgado a la contribuci on al 12th Internatinal World Organization of Systems and Cybernetics Congress, en el que se expon an algunos de los resultados preliminares de esta tesis. iv

A todos mis maestros y mis profesores de Marruecos, especialmente a Abdellatif Suillete (maestro de escuela Taza), Kada Laila (profesora de instituto Taza), Esma li(profesor de Algebra Universit e Mohammed I Oujda), Zerouali(profesor de Integraci on Universit e Mohammed V Rabat). A mis tios/as y a todos mis amigos/as espa noles y marroquies especialmente Gema (Sevilla), Had Belhaj, Laarousi Mohamed, Touihmi Mustapha, Jauad el Kharraz,El Gmili Hakim, (todos mis amigos de sevilla), Hassan Jaafar, Mohamed Abdellah, Abdelouahab El Kerzazi, Luis quientero, Mamoun, Stiriba, Esmail Moukadiri, Omar Moukadiri, youssef Limami, Abdellah Fellahi, Majda, Khadija, Josep y Lucas (Nacho), Liliana, Mario.

0.1.

Introducci on

En previos Modelos de Evoluci on Social desarrollados en la unidad de investigaci on de Teor a de Sistemas del Departamento de Matem atica Aplicada de la Universitat de Val` encia se generaba una evoluci on uniforme, en la que los subsistemas pasaban por una serie un voca de fases, y las diferentes condiciones naturales favorec an diferentes ritmos de la evoluci on, pero no diferentes caminos de la misma. Eramos concientes de que dichos modelos no describ an satisfactoriamente la evoluci on real de la humanidad sobre el planeta Tierra, donde se han desarrollado l neas de evoluci on diferenciadas. Siguiendo a Maurice Godelier, podr amos describir dos lineas evolutivas: una de ellas, que podr amos llamar Occidental, habr a pasado por las fases de esclavismo, feudalismo y capitalismo. En la segunda l nea evolutiva, el sentido de colectividad ha primado en las distintas fases, comenzando por lo que se llam o modo de producci on asi atico y posteriormente un tipo diferenciado de feudalismo, y m as tarde lo que se ha llamado socialismo real. Solamente a nales del siglo pasado las distintas l neas evolutivas abocaron a lo que se ha llamado globalizaci on capitalista.

Qu e es la globalizaci on capitalista en este trabajo? Con el desmoronamiento del socialismo real en los pa ses del Este y el predominio aparente del capitalismo en la mayoria de estos paises, el capitalismo aparece como u nico sistema predominante a escala mundial. La globalizaci on en este modelo no es ni m as ni menos que la extensi on del predominio del capitalismo a escala global.

En esta tesis pasamos a desarrollar lo que podemos llamar Modelo de Evoluci on Social Dual. En este modelo, adem as de introducir una variaci on de las condiciones naturales de inicializaci on de los subsistemas como resultado de la degradaci on ecol ogica, se establece una distinci on fundamental entre comportamientos individualistas, orientados a simular la evoluci on occidental, y comportamientos gregarios, orientados a simular la evoluci on oriental. La aplicaci on del

modelo cuestiona la hip otesis de que la globalizaci on capitalista, por su propia naturaliza, ser a un proceso imparable e imposible de superar y regular. Se apuntan as mismo las condiciones que favorecer an su superaci on con lo que llamamos una sociedad cient ca libre. En el primer cap tulo se realiza un repaso hist orico de los distintos conceptos te oricos usados en el modelo, empezando por la primera Cibern etica, la Teoria General de Sistemas y pasando por la Segunda Cibern etica hasta una Teor a General de Aprendizaje. En el segundo cap tulo, partiendo de los modelos anteriores de Rafael Pla L opez y Vicent Castellar Bus o, hemos conseguido una representaci on satisfactoria de la evoluci on social dual introduciendo la oposici on gregarismo/individualismo de los distintos comportamientos sociales, y cambiando la modelaci on de algunos componentes del modelo (sistema natural, sistema de represi on, sistema impacto y posibilidad t ecnica de satisfacci on). En el tercer cap tulo hemos realizado un an alisis de sensibilidad de los resultados obtenidos por el modelo variando los par ametros iniciales. En el cuarto cap tulo hemos analizado te orica y estad sticamente lo que llamamos Efecto Revuelta que permite explicar comportamientos an omalos como el nazismo en Alemania, el fascismo en Italia, o las acciones suicidas contra las Torres Gemelas o el Pent agono . . . En el quinto cap tulo hemos estudiado la evoluci on en el tiempo del consumo en represi on y satisfacci on de las evoluciones duales completas que se terminan con globalizaci on capitalista sin superarla ni llegar a la hecatombe ecol ogica, aquellas en las que se supera la globalizaci on capitalista con una sociedad cient ca libre, y por u ltimo las que pasan directamente de la dualidad completa a una sociedad cient ca libre. En el sexto cap tulo hemos planteado algunas cuestiones abiertas y perspectivas de futuras investigaciones relacionadas con el actual trabajo. Por u ltimo, hemos adjuntado como anexo el c odigo del modelo en lenguaje C .

Cap tulo 1 DE LA CIBERNETICA A LA TEOR IA DEL APRENDIZAJE

La palabra Cibern etica, derivada del griego Kybernetes, apareci o por primera vez con Plat on, y fue usada en el siglo 19 por Andr e Marie Ampere para referirse a los modos de Gobierno. Desde 1943 un grupo de cient cos encabezado por el matem atico Nobert Wiener hab a reconocido la necesidad de elegir un nuevo t ermino para designar un cuerpo de teor as e investigaciones. En 1947 decidieron adoptar la palabra Cybernetics que fue popularizada en su libro (1948) titulado Cybernetics, or the study of control and communication in the animal and machine y desde entonces el t ermino no ha dejado de mantener un inter es creciente. De hecho la cibern etica se desarroll o como ciencia profundamente transdisciplinar que estudia el control y el autocontrol (Wiener) o la ciencia de la ecacia de la acci on (Cougnal).

1.1.

Cibern etica de Primer Orden

La cibern etica de primer orden tiene que ver o se reere a los sistemas que no cambian sus objetivos mientras no se les den nuevas instrucciones al respecto. Se trata de unos sistemas predise nados, mecanicistas y controlados, poco aptos para representar los sistemas sociales complejos que evolucionan y cambian aut onomamente. Un ejemplo t pico de esa cibern etica lo representa el termostato para regular la temperatura: el sistema de calefacci on/refrigeraci on se pondr a en marcha autom aticamente cada vez que la temperatura alcance niveles dados por encima o debajo del intervalo deseado de temperatura.

1.2.

Cibern etica de Segundo Orden

El t ermino cibern etica de segundo orden fue acu nado por Heinz Von Foerster en su trabajo titulado Cybernetics of cybernetics en 1970. La cibern etica de segundo orden se ocupa del observador como parte de lo observado. As , seg un Heinz Von Foerster, el objetivo de la segunda cibern etica es explicar el observador a s mismo, es decir la cibern etica de la cibern etica, y se reere a los sistemas que son capaces de modicar su objetivo o nalidad (o su camino) por s mismos, sin necesidad de ser guiados por alguien o algo desde fuera del sistema. As , la segunda cibern etica es una ciencia de acci on en la que los mecanismos de comunicaci on y control permiten que el sistema reoriente o replantee continuamente su camino para alcanzar su objetivo primario.

1.3.

Retroalimentaci on

La cibern etica introduce la idea de circularidad a trav es del concepto de retroalimentaci on o feed-back, rompiendo con el esquema de la ciencia newtoniana cl asica en la que los efectos y las causas se encadenan de forma lineal. La idea de circularidad desarrollada por Wiener se centra en el feed-back negativo que permite la autorregulaci on del sistema ante posibles perturbaciones (sistemas equilibradores). En 1963, Maruyama estudi o el feed-back positivo que, a diferencia del negativo, amplica la desviaci on (sistemas amplicadores). La utilizaci on de este concepto puede permetir explicar la evoluci on de los sistemas sociales en los cuales existen los dos tipos de retroalimentaci on.

1.4.

La Cibern etica y las Ciencias Sociales

Norbert Wiener, el padre de la cibern etica, era rmemente partidario de la aplicaci on de la cibern etica a las ciencias sociales y la sociedad. Wiener se muestra convencido en sus libros The Human Use of Human Beings y Cybernetics, or the study of control and communication in the animal and machine de que el comportamiento humano, de animales y de maquinas puede explicarse mediante los principios de la cibern etica: comunicaci on, control de la entrop a a trav es del aprendizaje mediante bucles de retroalimentaci on ( feed-

back), etc. Los cibern eticos estudiaron el sistema nervioso con el n de entender la cognici on humana, llegando a la conclusi on de que las observaciones independientes del observador no son f sicamente posibles. Cuando un escritor escribe en ingl es est a usando una estructura en su sistema nervioso que es resultado de la interacci on con el lenguaje que ha tenido desde que era ni no. Aparte de la desventaja obvia de la subjetiva inuencia del investigador en sus modelos sociales, a veces puede actuar como catalizador en procesos de cambio. En la psicolog a el campo de la terapia familiar rastrea sus or genes directamente de la cibern etica (Watzalwick, 1967). En la terapia familiar los comportamientos inusuales pueden ser resultado de interacciones dentro de la familia: Sostenemos b asicamente que los sistemas interpersonales -grupos de desconocidos, parejas matrimoniales, familias, relaciones psicoterap euticas, o incluso internacionales, etc.-pueden entenderse como circuitos de retroalimentaci on, ya que la conducta de cada persona afecta la de cada una de las otras y es, a su vez, afectada por estas (Paul Watzalwick). 1.5. Algunos Conceptos Principales de la Cibern etica de Segundo Orden

Una modelaci on adecuada de la circularidad puede ayudar a entender fen omenos fundamentales, como la Autoorganizaci on, la Autopoiesis, etc. 1.5.1. Autoorganizaci on

El concepto de un Sistema Autoorganizado ha cambiado con el tiempo. Al principio se deni o como un sistema que cambia su estructura b asica en funci on de su experiencia y su entorno. Tal Autoorganizaci on es b asicamente un proceso de evoluci on donde el efecto del entorno es m nimo, es decir donde el desarrollo de nuevas estructuras complejas se da esencialmente en el propio sistema. Heinz Von Foerster fue uno de los primeros en explicar de manera precisa el fen omeno de on puede la Autoorganizaci on como incremento del orden (informaci on)1 . La Autoorganizaci
1

V ease el apartado 1.7

ser reforzada a trav es de perturbaciones del entorno (ruido) escogidas por el sistema para ser incorporadas ulteriormente en su estructura. Heinz von Foerster llam o a este principio el orden del ruido. En otros casos, el sistema se expande. Esta expansi on no ocurre arbitrariamente sino que resulta de una importaci on de los bloques construidos compatible con la estructura del sistema. Erwin Schroedinger llam o a este principio el orden del orden. Un sistema social no es un sistema en equilibrio. Por el contrario, constantemente se producen perturbaciones, desviaciones que fuerzan a una constante reorganizaci on y ajuste. En este sentido, el orden y el desorden cooperan para la organizaci on del sistema. A veces el desorden es necesario para la producci on del orden. Cada sistema din amico que tiene atractores terminar a en uno de ellos, perdiendo su libertad de alcanzar cualquier estado fuera del atractor, lo que Ashby llama principio de autoorganizaci on: Llamamos S el espacio de estados de un sistema N , y f una funci on (transformaci on din amica) Sea x S tal que f (x) = x Entonces decimos que el estado x es un punto jo de f o un estado de equilibrio absorbente del sistema din amico2 : cuando el sistema alcanze este estado dejar a de cambiar. Podemos generalizar este concepto, cuando B S tal que f (B ) B SiD B y que cumple la siguiente condici on:

tal que f (D) D = B = D

En tal caso decimos que B es un atractor de la din amica. Es decir, una vez el sistema entra en un atractor no puede alcanzar estados fuera de este atractor. 1.6. Variedad

La cibern etica en general se interesa en el estudio de la diferencia entre la presencia y la ausencia de varias propiedades (tambi en llamadas dimensiones o atributos). Por ejemplo, un sistema como una bola de billar puede tener propiedades, como un color particular, o un
2

V ease el apartado 1.8.4

intervalo del peso, la posici on o la velocidad. La presencia o la ausencia de cada propiedad puede ser representada de forma binaria con variables boleanas que toman dos valores: 1 cuando el sistema posea la propiedad, o 0 cuando no la posea. La representaci on binaria puede ser generalizada a una propiedad con m ultiples valores discretos o continuos (en este ultimo caso, siempre que su espectro de frecuencias en una decomposici on de Fourier est e acotada)3 . El conjunto de todos los estados posibles del sistema se llama espacio de estados. Un componente esencial en la modelaci on cibern etica es la medida cuantitativa del tama no del espacio de estados, o del n umero de los estados diferentes. Esta medida se llama variedad. La variedad se dene a partir del n umero de elementos del espacio de estados: V = log2 (|S |)

1.7.

Entrop a, Incertidumbre e Informaci on

El concepto de entrop a apareci o en la F sica introducido por Clausius durante el siglo 19. Corresponde, seg un sabemos, a una medida del desorden que presentan las mol eculas de un gas y ha permitido dar cuenta de los equilibrios termodin amicos. En t erminos estad sticos, el desorden viene dado por el n umero de estados en los que un sistema puede estar. Un sistema estar a m as desordenado que otro cuando el n umero de estados diferentes en los que podemos encontrar al primero es mayor que los del segundo. En un sistema cerrado la entrop a siempre aumenta de acuerdo con la ecuaci on de Clausius: dS 0 mientras en un sistema abierto el cambio total de la entrop a puede escribirse seg un Prigogine como dS = dSi + dSe donde dSe denota el cambio de la entrop a por importaci on que puede ser positivo o negativo y dSi la producci on de entrop a debida a procesos irreversibles en el sistema que es siempre
3

V ease ref 19, p.167

positivo. Supongamos que un sistema tiene n posibles micro-estados, cada uno con una probabilidad pi :
n

pi = 1
i=1

y pi 0

Entonces, podemos escribir la incertidumbre global de los micro-estados del sistema usando la f ormula de Shannon
n

H
i=1

pi log2 (pi )

(su unidad es bits.micro-estado)

(1.7.1)

Igualmente, la entrop a de Boltzmann es

n

S k
i=1

pi log(pi )

(su unidad es joules/K.micro-estado)

donde k = 1, 38 1023 joules/K es la constante de Boltzmann o lo que es lo mismo S k log(2)

i=1 n

pi log2 (pi )

(1.7.2)

Sustituyendo la ecuaci on (1.7.1) dentro de (1.7.2) nos da: S k log(2) H Con el mismo razonamiento encontamos la siguiente relaci on entre la disminuci on H (H = Hdespues Hantes ) y S (S = Sdespues Santes ) S k log(2) H Cuando disminuye la incertidumbre de un sistema durante una operaci on, gana una cantidad informaci on I (Shannon, 1948) I H Si todos los micro-estados pasan a ser equiprobables (pi = a m axima H ser Hequiprobale = Hmax log2 (n)
1 n

para todo i) entoces la entrop a

As , la informaci on que se gane en esta operaci on ser a m nima I Hantes Hdespues = Hantes Hequiprobale = Hantes Hmax Si la probabilidad de alg un micro-estado se igualar a a 1 entonces la entop a H ser a nula. As , la informaci on que se gane en esta operaci on ser a m axima I Hantes Hdespues = Hantes 0 = Hantes En los sistemas din amicos la transformaci on de un estado a otro estado conserva la cantidad de informaci on sobre el estado del sistema. Por el contrario una trasformaci on de muchos estados a un estado reduce la incertidumbre sobre el estado del sistema. A su vez, un proceso estoc astico de un estado a muchos aumenta la incertidumbre, y con un proceso estoc astico de muchos a muchos, la incertidumbre sobre el estado del sistema puede aumentar o disminuir dependiendo de la distribuci on de probabilidades inicial y nal. Por ejemplo, una distribuci on con incertidumbre nula no puede disminuir, en general s olo podr a aumentar, mientras una distribuci on con incertidumbre m axima s olo podr a disminuir. La gura 1.1 representa el proceso general de la comunicaci on seg un Shannon

Figura 1.1: Diagrama de Shannon, recogido por Arreguin(1983)

10

1.8.

El Enfoque Sist emico

La Teor a General de Sistemas fue inicialmente desarrollada por el bi ologo Ludwig von Bertalany en el a no 1940. Al principio esta teor a no estaba enfocada a los fen omenos de regulaci on y mucho menos a la noci on de la informaci on, pero estaba en una mejor posici on epistemol ogica para conseguir la unidad de la ciencia que la cibern etica. Contrariamente a la cibern etica, Bertalany se interesaba particularmente en sistemas abiertos.

1.8.1.

Conceptos de Sistema en Lenguaje Natural

Llegados a este punto, consideramos que es necesario recordar algunos conceptos de sistema expresados en lenguaje natural: 1. Un sistema es un conjunto de elementos interrelacionados (Von Bertalany, 1968).

2. Un sistema se dene como cualquier conjunto de variables que el (un observador) selecciona de las disponibles en la m aquina real (Ashby, 1952).

3. Por el momento ser a suciente pensar en un sistema como un grupo de objetos f sicos en una parte limitada del espacio que permanece identicable como un grupo a trav es de una longitud de tiempo apreciable. (Bergmann, 1957).

4. Un todo que est a compuesto de muchas partes. Un conjunto de atributos(Cherry, 1957).

un (Forrester). 5. Conjunto de partes que trabajan para lograr un objetivo com

6. Una unidad compleja formada de muchos hechos a menudo diversos sujetos a un plan com un o cumpliendo un prop osito com un (Tercer Nuevo Diccionario Internacional de Websters).

11

1.8.2.

Sistemas Abiertos

La aproximaci on sist emica engloba como un caso particular el m etodo anal tico-reduccionista que reduce el sistema a sus elementos para estudiar y entender los tipos de interacciones que existen entre ellos, suponiendo que se puedan ignorar los efectos de los elementos no considerados4 . As , este m etodo es adecuado para los sistemas cerrados. Sin embargo, Bertalany sab a que muchos sistemas por su propia naturaleza y denici on no son sistemas cerrados. Si separamos un organismo viviente de su entorno morir a debido a la carencia del ox geno, agua y alimentos. Los organismos son sistemas abiertos que no pueden sobrevivir sin intercambiar continuamente materia y energ a con su entorno. En los u ltimos a nos de la d ecada de los veinte Bertalany escrib a: Ya que el car acter fundamental de un objeto viviente es su organizaci on, el acostumbrado examen de las partes y procesos aislados no puede darnos una explicaci on completa de los fen omenos vitales. Este examen no nos informa acerca de la coordinaci on de partes y procesos. As , la tarea primordial de la biolog a debiera ser la de descubrir las leyes de los sistemas biol ogicos (a todos los niveles de organizaci on). Creemos que los intentos de hallar un fundamento para la biolog a te orica apuntan a un cambio b asico en la concepci on del mundo. A esta nueva concepci on, considerada como un m etodo de investigaci on, la llamaremos biolog a organ smica y en tanto en cuanto se propone ser explicativa, teor a de sistemas del organismo El programa organ smico fue el germen de lo que m as tarde se conocer a como la Teor a General de Sistemas, remplazando el t ermino organismo por entidades organizadas tales como grupos sociales, personalidades, o ingenios tecnol ogicos. Seg un Bertalany (1942):En determinadas condiciones, los sistemas abiertos se aproximan a un estado independiente del tiempo, el llamado estado uniforme Este estado uniforme se caracteriza por un orden relativamente alto expresado en la existencia de desniveles acusados entre los componentes del sistema.

Se estudia el sistema separado de su entorno

12

1.8.3.

Teor a General de Sistemas

El enfoque sist emico pone en primer plano el estudio de las interacciones entre las partes y entre estas y su entorno. Aparecen relaciones comunes en distintos sistemas de diferente naturaleza, lo que lleva a la construcci on de Sistemas Generales: se puede considerar un Sistema General como una clase de Sistemas Particulares con la misma estructura de relaciones, de modo que cualquiera de ellos puede tomarse como modelo de los dem as. De all viene la necesidad de construir distintas Teor as para distintos Sistemas Generales, seg un el contexto formal en el que los diversos autores desarrollan sus investigaciones. Ahora bien, podemos construir tambi en una Teor a General de Sistemas para el tratamiento sistem atico de las propiedades de cualquier Sistema General. Ser a una teor a matem atica formal, sin contenido material espec co. Una Teor a General de Sistemas, idealmente aplicable a cualquier sistema real o imaginable, deber a poder tratar sistemas con cualquier n umero de variables (incluso con innitas variables), de car acter continuo o discreto. As , por ejemplo, seg un Mesarovic, un sistema es cualquier subconjunto de un producto cartesiano generalizado (podemos tener que recurrir al Axioma de Elecci on para su construcci on). La importancia de las interacciones en el enfoque sist emico har a necesario distinguir entre las variables de entrada generadas por el entorno y las variables de salida generadas por el propio sistema. A su vez, en los sistemas complejos con diferentes estados internos deberemos tomar en consideraci on la transici on temporal entre los mismos, sea mediante procesos determin sticos o probabil sticos. En los casos de mayor inter es sist emico, la salida de un sistema reacciona sobre su entrada a trav es de un lazo de retroalimentaci on que provoca un proceso no lineal. Por tanto, los procesos derivados de la regulaci on y el equilibrio que son usuales en sistemas abiertos vivos o electr onicos ser a de especial inter es para la Teor a General de Sistemas.

1.8.4.

Din amica de Sistemas

La din amica de sistemas se entiende, en el sentido de Forrester(1968), como una metodolog a para entender el cambio, utilizando las ecuaciones en diferencias nitas o ecuaciones diferenciales.

13

La t pica ecuaci on de diferencias nitas (caso disceto) tiene la forma siguiente: xt+1 = f (xt ; ) donde xt+1 es el estado del objetivo del sistema en el instante t + 1, que depende del estado xt y del par ametro . x y son vectores, mientras que f normalmente es una funci on continua. La t pica ecuaci on diferencial (caso continuo) tiene la forma siguiente: x (t) = g (x(t); ) donde x (t) es la derivada del estado del objetivo del sistema, la cu al depende del estado x(t) y del par ametro . Tambi en x y son vectores, y g normalmente una funci on continua. Dada la representaci on de estos procesos podemos estudiar la din amica del conjunto de los estados disponibles por el sistema que es el tema central de la modelaci on. Cuando un sistema din amico puede cambiar autom aticamente sus objetivos intermedios con el n de adaptarse a los cambios del entorno lo llamamos sistema adaptativo. 1.9. Teor a General del Aprendizaje

En el origen de la cibern etica y la teor a general de sistemas juegan un papel relevante los procesos de Aprendizaje, en los que un sistema se desarrolla acumulando informaci on a trav es de su interacci on con el entorno. Procesos de este tipo tienen lugar en poblaciones gen eticas, en organismos vivos individuales, en sistemas sociales y en ordenadores electr onicos. En este apartado hacemos un breve repaso de algunos modelos de aprendizaje: en ellos se cambian los par amertos o incluso la estructura del modelo en cada simulaci on, como respuesta a su entorno. Los modelos de aprendizaje m as usados en las ciencias sociales son: 1. Aprendizaje usando redes neuronales 2. Aprendizaje usando la computaci on evolutiva

14

3. Aprendizaje usando la ley del refuerzo positivo y negativo Los dos primeros se basan d ebilmente en analog as con procesos biol ogicos. 1.9.1. Redes Neuronales Articiales

El cerebro est a compuesto por un red compleja de c elulas llamada neuronas que comunican mediante un tejido denso de interconexiones que transportan impulsos electroqu micos. Se estima que el cerebro humano contiene m as de cien mil millones de neuronas . En general, una neurona env a su salida a otras por su ax on. El ax on transporta la informaci on por medio de diferencias de potencial u ondas de corriente, dependiendo del potencial de la neurona. Este proceso es a menudo modelado por una regla de propagaci on representada por una funci on de base. La funci on de base de primer orden de una red neuronal articial es
n

ui (w, x) =
j =1

wij xj

donde w es la matriz de pesos, y x el vector de entrada. La neurona recoge las se nales por su sinapsis sumando todas las inuencias excitadoras e inhibidoras. Si las inuencias excitadoras positivas dominan, entonces la neurona da una se nal positiva y manda este mensaje a otras neuronas por sus sinapsis de salida. La neurona se activa si la fuerza combinada de la se nal de entrada es superior a un cierto nivel; en el caso general el valor de activaci on de la neurona viene dado por una funci on de activaci on. El valor de red, expresado por la funci on de base u(w, x), ser a inmediatamente transformado por una funci on de activaci on no lineal. Por ejemplo, las funciones de activaci on m as comunes son la sigmoidal y la gausiana. Las redes neuronales se clasican com unmente, en t erminos de sus correspondientes algoritmos o m etodos de entrenamiento, en redes no supervisadas y redes supervisadas. Reglas de entrenamiento supervisado: las redes de entrenamiento supervisado han sido los modelos de redes m as desarrolladas desde el inicio de estos dise nos. Los datos para el entrenamiento est an formados por varios pares de patrones de entrenamiento de entrada y

15

de salida. El hecho de conocer la salida permitir a que el entrenamiento se benecie de la supervisi on de un maestro, y la red ajusta sus pesos tratando de minimizar el error de su salida calculada. Reglas de entrenamiento no supervisado: para los modelos de entrenamiento no supervisado, el conjunto de datos de entrenamiento consiste s olo en los patrones de entrada. Por lo tanto, la red es entrenada sin la ayuda de un maestro. La red ajusta sus interconexiones bas andose u nicamente es sus entradas y la salida de la propia red. Las leyes de aprendizaje determinan c omo la red ajustar a sus pesos utilizando una funci on de error o alg un otro criterio. 1.9.2. Computaci on Evolutiva

La Computaci on Evolutiva interpreta la naturaleza como una inmensa m aquina de resolver problemas y trata de encontrar el origen de dicha potencialidad para utilizarla en programas. La programaci on evolutiva y los Algoritmos Gen eticos son algunas de las m as conocidas y originales t ecnicas de computaci on evolutiva. 1.9.2.1. Algoritmos Gen eticos La evoluci on de los seres vivos tiene lugar en los cromosomas, en donde est a codicada su informaci on. As la informaci on acumulada en los cromosomas var a de unas generaciones a otras. En el proceso de formaci on de un nuevo individuo, se combina la informaci on cromos omica de los progenitores. En consonancia con ello, los elementos b asicos de un algoritmo gen etico son: Representaci on cromos omica: en la actualidad podemos distinguir dos escuelas: una se limita a cadenas binarias y otra utiliza otro tipo de conguraciones. Poblaci on inicial: suele ser generada aleatoriamente. Sin embargo, u ltimamente se est an utilizando m etodos heur sticos para generar poblaciones iniciales de buena calidad. En este caso es importante garantizar la diversidad estructural de estas pobla-

16

ciones para tener una representaci on de la mayor parte de poblaci on posible o al menos evitar la convergencia prematura. Medida de evaluaci on: respecto a la evaluaci on de los cromosomas, se suele utilizar una funci on que determina qu e soluciones tienen mayor o menor probabilidad de sobrevivir. Criterio de selecci on: los individuos son copiados de acuerdo a su evaluaci on con la funci on objetivo (aptitud). Los m as aptos tienen mayor probabilidad de contribuir con una o m as copias a la siguiente generaci on (se simula selecci on natural). Cruces: se selecciona un punto al azar (bit) de la cadena. La parte anterior del punto es copiada del genoma del padre y la posterior del de la madre. Mutaciones: La operaci on de Mutaci on m as sencilla, y una de la m as utilizadas, consiste en reemplazar con cierta probabilidad el valor de un bit. Observamos que con la mutaci on se introduce un factor de diversidad en la poblaci on y aumenta la posibilidad de la superaci on de optimos locales. 1.9.2.2. Programaci on Evolutiva Con esta analog a se construyen sistemas de aprendizaje basados en el proceso de la evoluci on por selecci on natural. La programaci on evolutiva es una estrategia de optimizaci on estoc astica bastante simular a los algoritmos gen eticos. El m etodo b asico de la programaci on evolutiva involucra tres pasos: 1. Se escoge una poblaci on inicial, generada aleatoriamente, de tama no superior a 1. on producida se eval ua de acuerdo con su aptitud. 2. Cada soluci 3. Cada soluci on se reproduce en una nueva poblaci on. Cada una de estas soluciones producidas se muta de acuerdo con una distribuci on del tipo de mutaci on.

17

En la programaci on evolutiva no hay restricciones en la representaci on de los individuos de la poblaci on y se eligen seg un el problema, mientras que en los algoritmos gen eticos se suelen considerar como cadenas de genes; adem as no se usan cruces.

1.9.3.

Aprendizaje con Refuerzo Positivo y Negativo

Thorndike propuso por primera vez la Ley del efecto, la cual, en t erminos generales, dice que los aspectos del comportamiento que son satisfactorios para el organismo tienden a repetirse, mientras que los que no lo son tienden a no repetirse. El refuerzo positivo mediante recompensas y negativo mediante castigos es un factor importante en el proceso de aprendizaje que aumenta la probabilidad de alcanzar determinado objetivo.

1.9.3.1. Modelos de Aprendizaje Probabil stico Los modelos de aprendizaje construidos por el profesor Rafael Pla L opez se basan en la ley del refuerzo negativo y positivo, explicando c omo el cumplimiento o no del objetivo lleva al cambio de las probabilidades de los tipos de sistemas o de las acciones. As , dene una funci on entre 0 y 1 que mide el cumplimiento del objetivo (funci on objetivo) tal que un mayor valor expresa un mejor cumplimiento. Antes de describir algunos de estos modelos denimos los siguientes conceptos:

Decisi on: es una variable de entrada controlada.

Controlabilidad: es la capacidad de un sistema de alcanzar determinados estados a trav es de una serie de decisiones.

Perturbaci on: es una variable de entrada no controlada (del entorno).

Aprendizaje Rec proco: es un proceso donde dos sistemas aprenden mediante sus interacciones.

18

1.9.3.1.1. Modelo Lineal General de Aprendizaje Probabil stico Sea X un espacio mensurable de decisiones (entradas controlables) y un espacio de perturbaciones (entradas incontrolables). Sea g una funci on objetivo y g su media tal que g : X R (x, ) g (x, ) yg=
xX, g (x, )p(x, )

donde p(x, ) es la probabilidad de la decisi on x con la perturbaci on Se dene el Modelo Lineal de Aprendizaje Probabil stico mediante una funci on real f (x) de acumulaci on de la memoria (informaci on) tal que x X p(x) =
2 f (x) x X f (x )

f (x) = donde es un n umero real positivo.

g (x, ) g p(x, w)

(1.9.3)

La gura 1.2 expresa las relaciones de este modelo:

Figura 1.2: Modelo Lineal de Aprendizaje Probabil stico

Sabiendo que p(x, ) = p(/x)p(x) (Teorema de Bayes), para aplicar este modelo es necestica de sario saber la probabilidad condicional p(/x). En el caso de independencia estad la decisi on x y la perturbaci on tenemos p(/x) = p( ), y p(x, ) = p( )p(x). a Si adem as la funci on objetivo no depende de la perturbaci on , ser

19

g=

xX

g (x)p(x) y la relaci on (1.9.3) se reduce a: p(x) =

2 f (x) x X f (x )

f (x) = g (x) g p(x) Observemos que la funci on f (x) aumenta para la decisi on x cuando g (x) es superior al valor medio g , y decrece cuando g (x) es inferior al valor medio g . 1.9.3.1.2. Modelo Lineal Rec proco de Aprendizaje Probabil stico Con el n de simular la interacci on entre diferentes sistemas con aprendizaje, suponemos que el espacio de perturbaciones es igual que el espacio de las decisiones X . Entonces la perturbaci on se puede considerarse como una decisi on del entorno, que tendr a el mismo objetivo que el sistema. En este caso se dene el Modelo Lineal Rec proco del aprendizaje Probabil stico como combinaci on del modelo anterior con la funci on (fX (x)) de acumulaci on de memoria, y su correspondiente del entorno, con la funci on real (f ( )) de acumulaci on de memoria: p( ) =
2 f ( ) f ( )

f ( ) =

xX

g (, x) g p(, x)

(1.9.4)

Observemos que el entorno y el sistema tienen la misma funci on objetivo g con las variables intercambiadas: Las decisiones del sistema son perturbaciones para el entorno. La gura 1.3 expresa las relaciones de este modelo:

Figura 1.3: Modelo Lineal Rec proco de Aprendizaje Probabil stico

20

Este modelo sirve para simular las interacciones de aprendizaje entre dos sistemas con la misma funci on objetivo g . 1.10. Modelo General B asico de Evoluci on Social

El servomecanismo de los modelos de la evoluci on social construidos por Rafael Pla L opez se basa en un Aprendizaje Probabil stico suponiendo interacciones en una poblaci on de N P subsistemas sociales (sociedades) que act uan en un entorno ecol ogico com un y toman una funci on de cumplimiento de objetivo g (x, ) = (x) 1 (x, ) donde (x) indica la posibilidad t ecnica de satisfacci on de x y (x, ) la represi on sufrida por la decisi on x en su entorno social Con f (x/N ) =

g (x, ) g p(x, /N ) para todo subsistema social N su Apren-

dizaje depender a solo de su experiencia, expresada por p(x, /N ). Como veremos, p(x, /N ) y g pueden sustituirse en dicha f ormula por otras expresiones para simular la complejidad de la evoluci on social.

21

BIBLIOGRAF IA
[1] Ashby, W. Ross (1952), Design for a Brain- The Origin of Adaptive Behavior. New York: Wiley and London: Chapman and Hall. [2] Ashby, W. Ross (1956), An Introduction to Cybernetics. London: Chapman and Hall. [3] Wiener, Norbert (1956), The Human Use of Human Beings - Cybernetics and Society. Garden City, NY: Doubleday. [4] Wiener, Norbert (1988), The Human Use of Human Beings; Cybernetics and Society, Houghton Miin, Boston, 1950/1954; second edition. New York: Da Capo. [5] Wiener, Norbert (1948), Cybernetics, or Control and Communication in the Animal and the Machine. Cambridge, MA: MIT Press. [6] Shannon, Claude E. (1963), and Warren Weaver, The Mathematical Theory of Communication (5th ed.). Chicago: University of Illinois Press. [7] Forrester, Jay W. (1973), World Dynamics (2nd ed.). Cambridge, MA: Wright-Allen Press, 1973; [8] Maruyama, Magoroh, The Second Cybernetics: Deviation-Amplifying Mutual Causal Processes, pp 304-316 in Modern Systems Research for the Behavioral Scientist: A Sourcebook (Walter Buckley, ed.), op. cit. [9] Von Foerster, Heinz 1970, Cybernetics of Cybernetics, paper delivered at annual meeting of the American Society for Cybernetics

22

[10] Umpleby, Stuart A. (1993), The cybernetics of conceptual systems, paper prepared for the Institute of Advanced Studies, Vienna, March 8. [11] Von Bertalany, Ludwig (1975), General System Theory: Foundations, Development, Applications. New York: Braziller. [12] Maturana, Humberto (1970), Neurophysiology of cognition, pp 3-24 in: Cognition: A Multiple View (Paul Garvin, ed.). New York: Spartan Books. [13] Maturana, Humberto, and Francisco Varela (1980), The Tree of Knowledge: The Biological Roots of Human Understanding. Boston: New Science Library. [14] Umpleby, Stuart A. (1990), The science of cybernetics and the cybernetics of science, Cybernetics and Science, 21:109-121. [15] Von Glasersfeld, Ernst, The Construction of Knowledge. Salinas, CA: Intersystems Publications. [16] Von Foerster, Heinz (1974), On constructing a reality, reprinted in Observing Systems (H. von Foerster, ed.). Salinas, CA: Intersystems Publications. [17] Umpleby, Stuart A. (1991), Strategies for winning acceptance of second-order cybernetics, paper presented at the International Symposium on Systems Research, Informatics and Cybernetics, Baden-Baden, Germany, August 12-18. [18] Geyer, Felix, and Van der Zouwen, Johannes (1994), Norbert Wiener and the Social Sciences, Kybernetes, vol. 23, No.7. [19] Klir, G.L and Valach,M (1967), Cybernetic Modelling. London: Ilie Books. [20] Luhmann, Niklas, The Autopoiesis of Social Systems, pp 172-192 in Sociocybernetic Paradoxes, op. cit.

23

[21] Klir,G.L(1985) Architecture of systems problems solving, new york: Plenum Press. [22] Masarovic, M.D and Takahara, Y.(1975) General Systems Theory: Mathematical Fundations, New York/San Fransisco/London: Academic Press [23] Parra-Luna, F. (1994) Hacia la tercera Cibern etica: una introducci on, Tercera Escuela Europea de sistemas. [24] Robert Vall ee (1994) Origine et evolution de la t eorie des syst` emes, Tercera Escuela Europea de sistemas. [25] Rafael Rod guez-Delgado (1994) Systems Theory. Foundations, Tercera Escuela Europea de sistemas. [26] Lorenzo Ferrer Figueras (1997) Del paradigma mecanicista al paradigma sist emico, Universidad de Valencia. [27] Aracil, J. (1992) Introducci on a la din amica de sistemas, Alianza universidad textos, Madrid. [28] Prigogine, I. and Stengers, I. (1984), Order out of Chaos - Mans New Dialogue with ature. London: Flamingo. [29] Heylighen F. and Joslyn C. (2001) Cybernetics and Second Order Cybernetics, in: R.A. Meyers (ed.), Encyclopedia of Physical Science and Technology, Vol. 4 (3rd ed.), (Academic Press, New York), p. 155-170. [30] Geyer, F (1995) The Chalenge of Sociocybernetics Kybernetes 24(4), 6-32 [31] Paul Waztalwick, Janet Beavin Bavelas, Don D. Jackson, (1967) 1993, Teor a de la Comunicaci on Humana, Hereder, Barcelona. [32] Tom as Austin Mill an (2000)Fundamentos Socioculturales de la Educaci on, Editorial Universidad Arturo Prat, Sede Victoria, 171 P ags.

24

[33] Bego na Gros De la cibern etica cl asica a la cibercultura: herramientas conceptuales desde donde mirar el mundo cambiante, Revista Teor a de la Educaci on Universidad de Salamanca. [34] Pla-L opez, R. (1975a), Esbozo de una teor a general del Aprendizaje, en Escuela 75, n2, 4-5, Val` encia. [35] Pla-L opez, R. (1984c), Mathematical Foundations of a Learning General Theory, en International Conference on Systems Research. [36] Pla-L opez, R. (1988c), Introduction to a Learning General Theory, Cybernetics and Systems: An International Journal, 19, 411-429, Hemisphere Publishing Corporation, The Austrian Society for Cybernetic Studies, 1988. [37] Pla-L opez, R. (1989a), Model of Social Evolution from Science and Power, en XV III th International Congress of History of Science, Hamburg and Munich. [38] Pla-L opez, R. (1989b), Models of Historical Evolution: Alternating Ends, en Congr es Europ een de Systemique (CES1), Association Franaise pour la Cybernetique Economique et Technique, Lausanne, tome I, 239-248.29). [39] Pla-L opez, R. (1990b), Model of Multidimensional Historical Evolution, en R.Trapl ed., Cybernetics and Systems90, pp 575-582, World Scientic, Singapore (Tenth European Meeting on Cybernetics and Systems Research, Vienna). [40] Pla-L opez, R. (1991), Un Modelo Cibern etico de Evoluci on Social desde el Mundo Actual, en II Simposio Leonardo Torres Quevedo, Real Valle de Camargo, Cantabria. opez, R. (1992a), Model of Adaptive, Historical and Multidimensional Social [41] Pla-L Learning, en Cybernetics and Systems Research92, 2, pp 1005-1012, World Scientic, Singapore (Eleventh European Meeting on Cybernetics and Systems Research 1992, Vienna).

25

[42] Pla-L opez, R. (1992b), The Role of Subjective Factor in Social Evolution (1 versi on), en Fuschl Conversation on Systems Education, Val` encia. [43] Pla-L opez, R. (1993d), The Role of Subjective Factor in Social Evolution, in Second European Congress on Systems Science, Praga. opez, R. and Castellar-Buso,V. (1994a), Model of Historical-Geographical Evo[44] Pla-L lution, en Cybernetics and Systems94, 2, pp 1049-1056, World Scientic, Singapore (Twelfth European Meeting on Cybernetics and Systems Research 1994, Vienna). [45] Pla-L opez, R. (1994c), A systemic model of social evolution, en Tercera Escuela Europea de Sistemas, pp 219-232, Ajuntament de Valencia/Universitat de Val` encia/Conselleria dEducaci o i Ci` encia de la Generalitat Valenciana, Val` encia, ISBN 84-88639-40-6. [46] Pla L opez, R. (1996a), Cu anto puede perdurar una revuelta?, en 1 Reuni on Espa nola de Ciencias de Sistemas, Val` encia. Publicado en Revista Internacional de Sistemas, vol.8, Nro.1-3,Enero-Diciembre 1996,pp 59-73,ISSN 0214-6533. http://www.uv.es/ pla/CUANTOPE.DOC. [47] Pla L opez, R. (2001), Adaptative Systems, enviado a Importante Information for Editors and Authors of the Encyclopedia of Life Support Systems. [48] Pla L opez, R. (1996c), Social and Ecological Consequences of Adaptive Pacism and Unsubmission, en 3rd.European Congress of Systems (CES3), Roma, http://www.uv.es/ pla/socecapa.doc. [49] Foerter, H. von, 1960 On self-organizing systems and their environment, en SelfOrganizing systems, Nueva York, Pergamon Press. [50] Castellar-Bus o, V. and Pla-L opez, R. (1997c), A Model of Sustainable Development Opposite to the Ecological Hecatomb, en 14th International Conference

26

of WACRA-Europe on Sustainable Development, Madrid, http://www.uv.es/ buso/wacraeng/wacraeng.html. [51] Castellar-Bus o, V. and Pla-L opez, R. (1997d), Economical consequences from a model of social evolution, http://www.uv.es/ buso/ecocons/ecocons.html. [52] Castellar Bus o, V. tesis doctoral dirigida per Pla L opez,R. (1998a), Un Model Sist` emic d evoluci o Social Sostenible, Departament de Matemtica Aplicada, http://www.uv.es/ buso/tesi/tesiweb.html. [53] Castellar-Bus o, V. and Pla-L opez, R. (1998b) Un modelo de desarrollo sostenible opuesto a la hecatombe ecol ogica, Revista Iberoamericana de Autogesti on y Acci on Comunal, 32, primavera ISSN 02 12-7687 http://www.uv.es/ buso/wacra/wacra.html. [54] Temre, R. and Pla L opez, R. (1999a), Un Modelo Matem atico de Inuencia de las Condiciones Naturales en la Evoluci on Social, en Revista Internacional de Systemas, Vol.9, 1-3, pp 81-102, Sociedad Espa nola de Sistemas Generales, Val` encia, ISSN 0214-6533 http://www.uv.es/ temre/trabajo.zip. [55] Pla-L opez, R. and Castellar-Bus o, V. (1999c), Models of Dual Social Evolution, 4th Systems Science European Congress (CES4), Val` encia, 20-24 September 1999, ISBN 84-7795-233-7 http://www.uv.es/ buso/vienapla/modduale.html. [56] Nemiche, M. and Pla-Lopez, R. (2000), A Model of Dual Evolution of the Humanity, en 2nd International Conference on Sociocybernetics, Panticosa, 25-30 juny, http://www.uv.es/ pla/models/MDEHabrid.htm. o, V. and Pla-L opez, R. (2000c) Ecological Consequences of a So[57] Castellar-Bus cial Model: Sustainable Development versus Ecological Hecatomb, en Sustainable Development, Research on Cases and Theories, 8, Rainer Hampp Verlag,

27

Mnchen and Mering, ISBN 3-87988-480-3, ISSN 0940-2829, http://www.uv.es/ buso/elohimjl/elohimjl.html. [58] Gurney, K. (1997) An Introduction to Neural Networks, UCL Press, ISBN 1 85728 503 4. [59] Haykin, S. Neural Networks (1999) 2nd Edition, Prentice Hall, ISBN 0 13 273350 1. [60] Fulford, G. Forrester, P. and Jones, (1997) A. Modelling with Dierential and Difference Equations. New York: Cambridge University Press. [61] Melanie Mitchell, An Introduction to Genetic Algorithms (1996), MIT Press, Cambridge, Massachusetts. [62] Zbigniew Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs (1992), Springer-Verlag, Second Edition. [63] David Fogel, B. Evolutionary Computation. Toward a New Philosophy of Machine Intelligence (1995), The Institute of Electrical and Electronic Engineers, New York. [64] Thomas B ack, Evolutionary Algorithms in Theory and Practice (1996), Oxford University Press, New York. [65] Nigel Gilbert and Klaus Troitzsch G. (1998), Simulation for the Social Scientist. ISBN 0 335 19744 2 by Open University Press [66] Schneider, T. D. (1991b), Theory of molecular machines. II. Energy dissipation from molecular machines. J. Theor. Biol. 148, 125-137.

28

Cap tulo 2 SOCIAL DUAL UN MODELO DE EVOLUCION

Los modelos de evoluci on social con los que hab amos venido trabajando generaban una evoluci on uniforme, en la que los subsistemas pasaban por una serie un voca de fases, y las diferentes condiciones naturales favorec an diferentes ritmos de la evoluci on, pero no diferentes caminos de la misma. Eramos conscientes de que esta descripci on no era realista en su aplicaci on a la historia de la humanidad. Esta, en efecto, no s olo ha pasado por distintas fases, sino que ha seguido distintas l neas evolutivas en distintas zonas del mundo. Siguiendo a Maurice Godelier, podr amos describir dos grandes l neas evolutivas: una de ellas, que podr amos llamar occidental, habr a pasado por las fases de esclavismo, feudalismo y capitalismo, con un papel signicativo en todas ellas de distintas formas de propiedad individual y del correspondiente comercio entre propietarios individuales. En la segunda l nea evolutiva, por el contrario, el sentido de colectividad ha primado en las distintas fases, comenzando por lo que se ha llamado modo de producci on asi atico o tributario, en la cu al los eventuales esclavos no lo son tanto de propietarios individuales como del Estado, cuyos funcionarios ejercen el poder pol tico y econ omico; de dicha fase se pasar a a un feudalismo oriental notoriamente distinto del occidental: si en este la autonom a de los distintos feudos era fundamental, y su relaci on de dependencia con las correspondientes monarqu as relativamente d ebil, en el feudalismo oriental los feudos estaban f erreamente sometidos al poder del Imperio en el que se integraban, bajo la egida de un Emperador. Posteriormente, tanto en Asia como en el Este de Europa, se transit o a unos reg menes burocr aticos que han sido denominados como socialismo real o socialismo de Estado, basados en un r egimen de propiedad colectiva con un f erreo control del Estado. Nos plantemos, por tanto, la tarea de modelar esas distintas l neas evolutivas. En un trabajo previo de Pla-L opez y Castellar-Bus o se realiza una modicaci on ad hoc del potencial

29

de satisfacci on de distintos estados-comportamientos sociales seg un la zona de ubicaci on del subsistema. Dicha modicaci on generaba, en efecto, una evoluci on dual, con l neas evolutivas distintas en la zona oriental y la zona occidental, pero en ausencia de un mecanismo explicativo del por qu e de dicha diferenciaci on. El camino que seguimos aqu parte de la distinci on entre estados-comportamientos sociales que llamos gregarios y otros que llamamos individualistas, seg un el valor de uno de los componentes binarios de la variable que caracteriza dichos comportamientos sociales. De acuerdo con la descripci on anteriormente realizada, parece natural que los comportamientos gregarios predominaran en la evoluci on oriental mientras que los comportamientos individualistas predominaran en la evoluci on occidental. Pues bien, establecemos dicha distinci on a trav es de lo que llamamos funci on de impacto de la represi on: en los comportamientos gregarios, el impacto de la represi on disminuir a con la distancia, y ser a m aximo con los comportamientos disidentes ocurridos en el mismo subsistema; por el contrario, en los comportamientos individualistas no habr a represi on sobre los comportamientos disidentes en el mismo subsistema, aunque s sobre los subsistemas vecinos, que despu es disminuir a tambi en con la distancia1 . Parece claro que tales comportamientos gregarios pueden corresponder a reg menes autocr aticos de diversos tipos caracter sticos de la evoluci on oriental, mientras que los comportamientos individualistas pueden corresponder a reg menes que compatibilizan determinadas formas de libertad en su interior con diversos tipos de acciones punitivas hacia el exterior, como se ha dado en la evoluci on occidental y ha llegado a su m axima expresi on con sistemas pol ticos contempor aneos que al tiempo que abanderan la democracia pol tica en su funcionamiento interno son frecuentemente acusados de actuaciones imperialistas en su pol tica exterior. En este trabajo intentaremos simular dichos procesos dentro de un Modelo matem atico construido a partir de una teor a general del aprendizaje y formulado en t erminos de la teor a general de sistemas, con el cual estudiamos las posibles evoluciones de un conjunto de subsistemas sociales (Sociedades Humanas) en interacci on entre ellos e integrados en un entorno ecol ogico com un.

Ve ase la Figura 2.2

30

2.1.

Los Subsistemas Sociales

Consideramos una evoluci on social, temporalmente discreta, de una poblaci on de N P subsistemas sociales. Cada subsistema social N est a denido por dos variables:

1. Una funci on de probabilidad P (U, N ) sobre un vector U = (Ummax1 , , U1 , U0 ) de dimensi on mmax con componentes binarios: Ui {0, 1}. Por lo tanto U es la representaci on binaria del n umero
i i 2 Ui .

Esta representaci on permite estudiar la

diferencia entre la presencia y la ausencia de varias propiedades (tambi en llamadas dimensiones o atributos). Los valores 1 o 0 representan la presencia o no de un atributo en cada comportamiento social que tiene disponible un sistema social.

2. La variable m(N ) {1, 2, , mmax } expresa la dimensi on nativa del subsistema social N , la cual condicionar a los comportamientos de N por la restricci on:

P (U, N ) = 0 para todo U 2m(N ) cuando se inicializa el subsistema.

El aumento de la dimensi on nativa permite adoptar nuevos comportamientos con nuevas propiedades, lo que introduce nuevas relaciones y transformaciones. As el subsistema crece hacia m as complejidad, como corresponde al avance tecnol ogico: a lo largo de la evoluci on social de humanidad ha habido, en efecto, una tendencia hacia la complejidad en t erminos de conocimientos, tecnolog a y estructura social.

2.2.

Elementos B asicos del Modelo

Una primera formulaci on del Modelo requiere denir funciones fundamentales para modelar la capacidad represiva, la satisfacci on con los diferentes comportamientos sociales y el nivel del avance tecnol ogico y denir una distancia sobre el conjunto de los subsistemas sociales para considerar los efectos geogr acos en la evoluci on social.

31

2.2.1.

Capacidad Represiva Inicial

La capacidad represiva inicial (U ) de un comportamiento social U depender a de su fuerza (U ) y su ferocidad (U ). Deseamos que la capacidad represiva inicial de un comportamiento social sea nula cuando no tenga fuerza o ferocidad. La dependencia m as sencilla es el producto, es decir, (U ) = (U ) (U ) lo que garantiza (U ) = 0 si (U ) = 0 o (U ) = 0 2.2.1.1 La Fuerza Deseamos que la fuerza de un comportamiento social aumente con el aumento de la dimensi on nativa y con el n umero de atributos incluidos, de forma que un comportamiento social con mayor dimensi on nativa disponga de una fuerza mayor. Teniendo en cuenta la representaci on binaria de los comportamientos sociales, la funci on m as sencilla que cumple estas condiciones es la expresi on binaria del comportamiento social, es decir, f (U ) =
i

2i Ui

multiplicamos f (U ) por el factor

1 2mmax 1 1

para que el comportamiento social U = (0, 1, ..., 1)

cumpla (U ) = (U ) = 1, motivo por el cual lo llamamos Estado Plenamente Represivo. As , expresaremos la fuerza por (U ) = 2.2.1.2 La Ferocidad Un ingrediente esencial para el estudio de la posibilidad de superar la represi on con nuevos comportamientos sociales menos represivos es la funci on ferocidad. un componente Ui del Deseamos que la ferocidad (U ) valga 1 si i (Ui ) vale 1 para alg comportamiento, y que s olo valga 0 si vale 0 para todos los componentes. Ello lo consiguimos tomando 1 (U ) =
i i i 2 Ui 2mmax 1

1 i (Ui

con 0 i mmax1

32

Denimos la ferocidad correspondiente a la componente i por i (Ui ) = i(1 Ui ) mmax1 con 0 i mmax1

Observemos que i (0) crece con i entre los valores 0 y 1 mientras que i (1) = 0 para cualquier valor de i La ferocidad de un comportamiento social valdr a, por lo tanto, 1 (U ) =
i

1 i (Ui =
i

i(1 Ui ) = mmax1

1
i:Ui =0

i mmax1

Observemos que el Estado Plenamente Represivo U = (0, 1, ..., 1) cumple (U ) = 1 y los comportamientos sociales U = (0, 0, ..., 0) = 0, U = (1, ..., 1, 0) y U = (1, 1, ..., 1) cumplen (U ) = 0 motivo por el cual les llamamos Estados Libres. Mostramos en la Tabla 2.1 Los valores de la fuerza, ferocidad y capacidad represiva inicial.

U 0 = (0, 0, 0, 0) 1 = (0, 0, 0, 1) 2 = (0, 0, 1, 0) 3 = (0, 0, 1, 1) 4 = (0, 1, 0, 0) 5 = (0, 1, 0, 1) 6 = (0, 1, 1, 0) 7 = (0, 1, 1, 1) 8 = (1, 0, 0, 0) 9 = (1, 0, 0, 1) A = (1, 0, 1, 0) B = (1, 0, 1, 1) C = (1, 1, 0, 0) D = (1, 1, 0, 1) E = (1, 1, 1, 0) F = (1, 1, 1, 1)

( U ) 0,000000 0,142857 0,285714 0,428571 0,571429 0,714286 0,857143 1,000000 1,142857 1,285714 1,428571 1,571429 1,714286 1,857143 2,000000 2,142857

(U ) 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,777778 0,777778 0,666667 0,666667 0,333333 0,333333 0,000000 0,000000

(U ) 0,000000 0,142857 0,285714 0,428571 0,571429 0,714286 0,857143 1,000000 0,888889 1,000000 0,952381 1,047619 0,571429 0,619048 0,000000 0,000000

Tabla.2.1: los valores de la fuerza, ferocidad y capacidad represiva inicial.

33

2.2.2.

Posibilidad de Satisfacci on

Deseamos que la satisfacci on aumente con el progreso tecnol ogico entre los valores 0 y 1. As , la satisfacci on aumentar a con el n umero de los atributos que incluye el comportamiento social. La dependencia m as exible y sencilla que corresponde a la posibilidad t ecnica de satisfacci on es la funci on: 0 (U ) = 1 mmax
i

Ui +

En los trabajos anteriores val a 0, lo que expresaba la enorme ventaja en la posibilidad t ecnica de satisfacci on de los comportamientos individualistas, en este trabajo queremos reducir esta ventaja para permitir posibles competencias entre los comportamientos gregarios y individualistas. As , mediante un proceso de calibraci on de posibles valores de que nos permite obtener una simulaci on satisfactoria de la evoluci on dual hemos jado en el valor 0,81U0 .
U 0 = (0, 0, 0, 0) 1 = (0, 0, 0, 1) 2 = (0, 0, 1, 0) 3 = (0, 0, 1, 1) 4 = (0, 1, 0, 0) 5 = (0, 1, 0, 1) 6 = (0, 1, 1, 0) 7 = (0, 1, 1, 1) 8 = (1, 0, 0, 0) 9 = (1, 0, 0, 1) A = (1, 0, 1, 0) B = (1, 0, 1, 1) C = (1, 1, 0, 0) D = (1, 1, 0, 1) E = (1, 1, 1, 0) F = (1, 1, 1, 1) 0 0,20 0,25 0,45 0,50 0,45 0,50 0,70 0,75 0,45 0,50 0,70 0,75 0,70 0,75 0,95 1,00

Tabla.2.2: los valores de la posibilidad t ecnica de satisfacci on con = 0, 81U0 .

Para obtener la posibilidad de satisfacci on a nadimos otro factor con el cual deseamos introducir el aumento de entrop a que se produce en la manipulaci on de energ a y de informaci on.

34

As , introducimos el coste que corresponde a una fracci on de la energ a que se disipa y a una parte de la informaci on que se pierde. Como los comportamientos m as desarrollados se caracterizan por una cantidad mayor de transformaciones de los recursos, transformaciones en la que se disipa la energ a, y se pierde informaci on, les corresponde un aumento de la entrop a. En cambio, la entrop a disminuye con la restricci on de comportamientos diferentes, efectuada por la represi on. Expresaremos todo ello mediante la siguiente formula: (U ) = 1 Ce (U ) 1 (U ) max 0 (U )

donde Ce es un par ametro entr opico que toma valores dentro de un conjunto de posibles condiciones iniciales.

2.2.3.

La Distribuci on M etrica del Conjunto de Subsistemas Sociales

La modelaci on de la evoluci on real de la humanidad requiere considerar la noci on de distancia entre subsistemas sociales para simular la inuencia que tiene un subsistema social N sobre otro M y cuanticar las condiciones geogr acas iniciales que pueden dar a unas zonas una ventaja de salida. Trabajamos con una distancia circular sobre el conjunto de los subsistemas sociales denida como sigue, d : {0, 1, , N P 1} {0, 1, , N P 1} R+

(N, M ) d(N, M ) d(N, M ) = min |N M |, N P |N M | = NP NP |N M | 2 2

Es f acil comprobar que la aplicaci on d verica los tres axiomas de la distancia: 1. d(N, M ) = 0 M = N 2. d(N, M ) = d(M, N ) 3. d(N, M ) d(N, C ) + d(C, M ) N, M, C de {0, 1, , N P 1}

35

se puede tambi en comprobar con facilidad que la distancia m nima es 0 y la m axima es NP 1 2

N P 1 2

dm = el s mbolo
N P 1 2

representa la aproximaci on entera por exceso de

Figura 2.1: Representaci on gr aca de la distancia

A continuaci on presentamos una descripci on detallada de los distintos sistemas matem aticos que forman el Modelo y las relaciones entre ellos. 2.3. Descripci on del Modelo

Uno de los mayores benecios del pensamiento sist emico consiste en vislumbrar, a trav es de la complejidad, las estructuras subyacentes que generan los cambios. Ello no signica ignorar la complejidad sino organizarla de modo coherente para que nos ayude a descubrir las causas que originan los problemas y de este modo ponerles remedio (Senge, 1992). La complejidad de la evoluci on global del comportamiento social y su diversidad entre oriente y occidente nos induce a agregar once sistemas matem aticos que expresan las relaciones involucradas:

36

2.3.1.

Sistema de Aprendizaje Social

El servomecanismo del Modelo es el Sistema de Aprendizaje Probabil stico mediante refuerzo positivo y negativo2 . Tal aprendizaje permite a los subsistemas sociales poner al d a sus propias bases de conocimiento agregando o quitando informaciones a partir de la percepci on de los efectos positivos o negativos de sus acciones. La funci on del cumplimiento del objetivo PG dependr a de la posibilidad de satisfacci on ( ) y de un factor 1 determinado por el contexto social. PG (U, N ) = (U ) 1 Hemos introducido las formulaciones de los conceptos del Modelo Lineal General del proco del Aprendizaje Probabil stico4 Aprendizaje Probabil stico3 y el Modelo Lineal Rec para modelar el sistema del aprendizaje social de nuestro Modelo. La probabilidad P (U, N ) de cada comportamiento social en cada subsistema social N aumentar a cuando se cumpla el objetivo, de manera que un valor de PG (U, N ) mayor que un valor de referencia PR (N )5 determinar a un aumento de la funci on acumoladora de la memoria de F (U, N ) P (U, N ) = F (U,N ) B (N ) F (U, N ) = (N ) t P (U, N ) P (N ) P (U, N ) G R L Para normalizar F tendr a que cumplir F (U, N ) 0 para todo U, N. As , substituremos la expresi on anterior por (U,N ) P (U, N ) = FB (N ) F (U, N ) = max (N ) t PG (U, N ) PR (N ) PL (U, N ), F (U, N ) donde (N ) es un factor de escala para el subsistema social N B (N ) =
2 3

(2.3.1)

F (V, N ) es la memoria acumulada

V ease la seci on 1.9.3 del cap tulo anterior V ease la secci on 1.9.3.1 del cap tulo anterior

4 Para simular la interacci on del aprendizaje entre los sistemas sociales. V ease la secci on 1.9.3.2 del cap tulo anterior 5

Con la referencia se compara el exito o el fracaso percibido del cumplimiento del objetivo

37

F (V, N ) es la funci on acumuladora de memoria del comportamiento social V PL (U, N )) es la tasa de aprendizaje de U en N Si F (V, N ) = 0 para todo V , entonces B (N ) = 0 lo que se puede interpretar como la destucci on del subsistema social6 . 2.3.2. Sistema de Relevo

Cada uno de los subsistemas sociales ocupa un nicho el cual puede quedar libre cuando el subsistema social se destruye. Cuando los nichos est an libres pueden ser ocupados por nuevos subsistemas sociales ne otos. Con el relevo y la recuperaci on expresaremos la iniciaci on de los subsistemas sociales, es decir especicaremos en qu e condiciones un subsistema activo deja un nicho libre, y tambi en expresaremos los valores iniciales de diferentes funciones. Un subsistema social N muere cuando F (U, N ) = 0 para todo U o lo que es lo mismo B (N ) = 0 , situaci on a la que puede llegarse cuando ninguno de los comportamientos sociales disponibles para el subsistema social lleva al cumplimiento del objetivo. Llamamos recuperaci on a la ocupaci on por un nuevo subsistema social de un nicho previamente dejado libre por muerte por insatisfacci on. Si introducimos una variable aleatoria 1 en el intervalo [0,1[, y designamos por A(N ) la probabilidad de recuperaci on de un nicho libre N podemos expresar la condici on de recuperaci on por 1 + A(N ) 1 Queremos facilitar la recuperaci on de un nicho libre previamente predominado por comportamientos menos evolucionados. Por ello hemos elegido A(N ) como A(N ) = U a(U )P (U, N ) y a(U ) = a0 (1
2U 2mmax 1 ) i i 2 Ui .

donde a0 > 0 y hemos tomado U =

Esta es la funci on m as sencilla (lineal) que cumple la condici on exigida y que en caso de equiprobabilidad da A(N ) = 0.
6

Naturalmente, P (U, N ) s olo podr a calcularse si B (N ) > 0.

38

Pero tambi en el subsistema social puede morir en cualquier instante de tiempo, con mayor probabilidad cuanto menor sea la inuencia del aprendizaje en su comportamiento. Eso ocurre cuando B (N ) se aproxima a un valor m aximo tnt. Llamamos a este proceso la muerte natural del subsistema social N . Inmediatamente despu es de su muerte natural aparece un subsistema ne oto que ocupa el nicho libre. Si introducimos una variable aleatoria 2 en el intervalo [0,1[, podemos expresar la condici on de relevo por 2 + donde
B (N ) tnt

B (N ) 1 tnt

expresa la probabilidad de la muerte natural

Podemos unir las condiciones de relevo y recuperaci on en la siguiente condici on = + A(N ) + donde es una variable aleatoria en el intervalo [0,1[ Si B (N ) = 0 (caso de la muerte por insatisfacci on), = + A(N ) 1 nos da la condici on de recuperaci on, mientras que, si B (N ) = tnt entonces = + 1 1 lo que arma la inmediata aparici on de un subsistema social ne oto (relevo). Cuando se produzca el relevo o la recuperaci on de un subsistema social N inicializaremos la funci on de acumulaci on de memoria mediante F (U, N ) = natal(N ) U (2m(N ) 1) F (U, N ) = 0 U > (2m(N ) 1) donde m(N ) es la dimensi on nativa correspondiente al nicho7 . lo que implica una equiprobabilidad de P (U, N ) para todo U (2m(N ) 1) y por u ltimo una m axima entrop a de Shannon del subsistema N H (N ) =
U

B (N ) 1 A(N ) 1 tnt

P (U, N )log2 P (U, N ) = log2 2m(N ) = m(N )

As , la dimensi on nativa expresa la entrop a del subsistema ne oto (coincide con la variedad). Y como la entrop a m axima de un subsistema N es m(N ) el relevo causa la perdida de la informaci on acumulada en los subsistemas sociales substituidos.
7

En caso de relevo m(N ) es de N y en caso de recuperaci on m(N ) es del siguiente sistema activo

39

2.3.3.

Sistema Natural

El Sistema Natural expresar a la diversidad de condiciones iniciales de los subsistemas sociales a trav es de la variable natal. En trabajos anteriores dicho sistema era r gido, sin retroalimentaci on ni evoluci on, y el valor natal de un subsistema social ven a dado por: d(N, N M ) natalmax natalmin dm

natal(N ) = natalmin donde natalmax es el m aximo de natal natalmin es el m nimo de natal

N M es el subsistema social con m aximo valor de natal El Sistema Natural aparece as aislado, sin variables de entrada. En este trabajo haremos depender el natal del factor ecol ogico8 . Hemos incluido un factor que le llamaremos factor de la evoluci on Km , y en consonancia hemos cambiado la denici on del sistema natural: el Sistema Natural determinar a la evoluci on din amica de natal(N ) de un subsistema social N a partir de su valor inicial natal0 (N ) hacia un valor ntl(N ) con un tiempo de retardo Tm en el caso de una degradaci on ecol ogica. Es necesario hacer referencia desde ahora a las dos zonas geogr acas bajo estudio en este trabajo zona occidental= N {0, 1, , N P 1}/d(N, N4P ) zona oriental= N {0, 1, , N P 1}/d(N, N4P ) >
dm 2 dm 2

El profesor Jared Diamond en su Obra traducida al castellano Armas, G ermenes y Acero escribi o: Uno de los hechos fundamentales de la historia humana es la temprana importancia de la parte de Asia suroccidental llamada Creciente F ertil... Esta zona parece haber sido el escenario m as antiguo de una cadena de avances, como las ciudades, la escritura, los imperios y lo que llamamos (para bien o mal) civilizaci on... despu es explic o unas ventajas iniciales del Creciente F ertil:
8

V ease la secci on 2.3.10

40

1. El Creciente F ertil est a situado en una zona del llamado clima mediterr aneo, donde muchas plantas se han adaptado de manera que las hace u tiles para los humanos.

ertil fueron pocos los cambios que fue necesario introducir 2. En la ora del Creciente F en la mayor a de las plantas silvestres cuando pasaron a ser cultivos.

3. La ora del Creciente F ertil incluye un alto porcentaje de autosuciencia, es decir plantas que suelen polinizarse a s mismas aunque ocasionalmente sean polinizadas por otras.

4. La diversidad biol ogica del Creciente F ertil en peque nas distancias

ltima ventaja de la primitiva producci on de alimentos en el Creciente F ertil es 5. Una u que podr a haber tenido que enfrentarse a menos competencia de la forma de vida de los cazadores-recolectores que en otras zonas.

Podemos modelar la ventaja inicial del Creciente f ertil, dando valor inicial (natal0 ) a F (U, N ) con valor m aximo en el subsistema social el m as vecino de oriental) y valor m nimo en el subsistema social el m as vecino de occidental) natal0 (N ) = natalmin + 161 donde natalmin = 5 Ahora bi en, la ventaja inicial del Creciente f ertil se ha reducido much simo con el tiempo debido a la degradaci on ecol ogica en la zona oriental, como se nal o asimismo Jared Diamond: En la antigedad, sin embargo, gran parte del Creciente f ertil y de la regi on mediterr anea oriental, incluida Grecia, estaba cubierta de bosques. La transformaci on de la regi on de bosques f ertiles a maleza erosionada o desierto ha sido aclarada por paleobot anicos y arque ologos... as las sociedades del creciente f ertil y el mediterr aneo oriental tuvieron la desgracia de surgir en un medio ecol ogicamente fr agil. d( N4P , N ) NP
3N P 4 NP 4

(centro de la zona (centro de la zona

41

Concordantemente, expresamos la evoluci on del natal y ntl con natalt (N ) ntlt = 2 + E 2 20( E ) +25 E 0 si < 1 = E0 ntlt (N )natalt (N ) natalt+t (N ) = natalt (N ) + Km si donde Km =
Tm t E E0

E = 1 = natalt+t (N ) = natalt (N ) E0

Observemos que, mientras Tm = t y ntlt (N ). El caso Km > 1 y

E E0

< 1, entonces Km = 1, y por lo tanto natalt+t (N ) =

E E0

< 1 expresa la presencia del retardo < 1

E representa el valor actual de la ecolog a y E0 su valor inicial. De modo que, representa una degradaci on ecol ogica. 2.3.4. Sistema de Impacto

La inuencia que tiene un subsistema N sobre otro M lo afectaremos por un factor al que llamamos impacto, determinado por la siguiente funci on: IM P (N, M ) =
U

P (U, N )imp(U, M, N )

donde imp(U, M, N ) expresa el impacto del comportamiento social U en el subsistema social N sobre el subsistema social M . En trabajos anteriores el impacto imp(U, M, N ) del comportamiento social U decrec a linealmente con la distancia d(M, N ), y era m aximo cuando M = N , es decir en el propio subsistema social. Ahora y con el n de modelar las diferencias entre la evoluci on occidental y oriental del comportamiento social introducimos la oposici on Gregarismo/Individualismo de los comportamientos sociales. Suponiendo que los comportamientos occidentales y orientales han sido diferentes desde el principio haremos depender esta diferencia de la primera dimensi on del comportamiento social (U0 ) de la siguiente forma: Si U0 = 0 (comportamientos sociales gregarios), el impacto imp(U, M, N ) del comportamiento social U = (Ummax1 , , U1 , 0) es m aximo cuando M = N , decrece con la distancia circular entre M y N y crece con natal(N ), pero

42

Si U0 = 1 (comportamientos sociales individualistas), el impacto imp(U, M, N ) del comportamiento social U = (Ummax1 , , U1 , 1) es igual a cero cuando M = N , alcanza su m aximo en dos de los sistemas vecinos de N y decrece m as all a de ellos con la distancia9 . En la secci on 2.3.7 explicaremos c omo la represi on del comportamiento social U crece con imp(U, M, N ) y veremos que el comportamiento social individualista no s olo busca satisfacer su propio inter es, sino que abusa de los intereses de los otros comportamientos. En la practica trabajamos con una poblaci on de 50 subsistemas sociales (N P = 50) y mediante un proceso de exploraci on y calibraci on de pr ametros hemos llegado a las siguientes funciones que nos permiten obtener una simulaci on satisfactoria de la evoluci on dual: imp(U, M, N ) = exp(0,5c2 ) gre(U, N ) ind(U, M, N ) U = 0 imp(0, L, L) = 10 imp(0, M, N ) = 0 L M = N

V ease la gura 2.2

43

Impacto de los comportamientos individualistas (3 y 7) 5 0.08 4 imp(U,d) 3 2 1 0 0 U=7 10 d Impacto de algunos comportamientos gregarios con natal=5 10 8 U=2 imp(U,d) 6 4 U=E 2 0 0 U=6 10 d 20 30 20 30 imp(U,d) U=3 0.06 0.04 0.02 0 0

Impacto de F U=F

10 d

20

30

Figura 2.2: El impacto de algunos comportamientos sociales

donde gre(U, N ) = natal(N ) 2,3019 exp( 0,5U 2 U )+ 7,25 21

1U0

ind(U, M, N ) = c=
1U0 (U 2)

c 0,5U 2 U exp( )6,124 + 0,15) 1,32 8,064

U0

d(M, N ) U U0 ( 23 )

2.3.5.

Sistema de Ciencia

El Sistema de Ciencia simula el proceso de la comunicaci on cient ca determinando la tasa de aprendizaje PL de cada comportamiento social en cada subsistema social teniendo

44

en cuenta tanto su propia experencia como la de los otros subsistemas sociales que comunican con el de modo que la probabilidad derivada de la experiencia de los otros subsistemas sociales, ponderada por factores de emisi on EM I , de recepci on REC y de impacto IM P , es a nadida a su propia experiencia. Este sistema expresa as las relaciones de comunicaci on intelectual entre diferentes subsistemas sociales: Si no hay comunicaci on entre los subsistemas sociales, entonces PL (U, N ) = P (U, N ) En el caso contrario (con el aprendizaje por difusi on) ser a: PL (U, N ) = P (U, N ) + REC (N ) P (U, M )EM I (M )IM P (M, N )

M =N

Figura 2.3: El proceso de aprendizaje por difusi on

donde

EM I (N ) =
U

P (U, N )emi(U )

45

REC (N ) =
U

P (U, N )rec(U )

siendo emi(U ) y rec(U ), respectivamente, la capacidadd de emisi on y de recepci on del comportamiento social U , y viniendo dados por su vez por emi(U ) = rec(U ) =
j j

emij (Uj ) recj (Uj )

de modo que asignamos a cada uno de los atributos de un comportamiento social un factor de emisi on y de recepci on proporcional a su contribuci on a la fuerza de ese comportamiento social. En particular, tomaremos recj (Uj ) = emij (Uj ) = observemos que rec(1, 1, ..., 1) emi(1, 1, ..., 1) rec(1, ..., 1, 0) > rec(U para todo U = (1, 1, ..., 1)y U = (1, ..., 1, 0) emi(1, ..., 1, 0) > rec(U ) para todo U = (1, 1, ..., 1)y U = (1, ..., 1, 0) 2j Uj 2mmax 1

motivo adicional a (1, 1, ..,11, 1) = 0 y (1, ..., 1, 0) = 0 por el cual llamamos a (1, 1, ..,11, 1) y (1, ..,11, 1, 0) sociedades cient cas libres. 2.3.6. Sistema Hist orico

Con el Sistema Hist orico queremos simular la posibilidad del progreso a trav es del aumento de la dimensi on nativa m(N ) de un subsistema social N , y por lo tanto, del n umero de los comportamientos sociales disponibles. Suponemos que este progreso tiene dos causas que act uan aditivamente: 1. La probabilidad del incremento de la dimensi on nativa aumentar a linealmente con la memoria acumulada en el subsistema social N , expresada por B (N ), de modo que si B (N ) prg 10 se produce con seguridad el aumento de la dimensi on nativa en una unidad.
10

prg (progreso) es una cota que se mantiene constante

46

2. Tambi en puede aumentar por la difusi on de tecnolog a11 , que expresaremos por la acumulaci on de informaci on procedente de otros subsistemas sobre comportamientos sociales con dimensi on superior a su dimensi on nativa. As , se aumenta la dimensi on nativa de N cuando se cumple la siguiente condici on = + b(N ) + B (N ) 1 prg

donde es una variable aleatoria uniforme en el intervalo [0,1] y b(N ) =

U >2m(N ) 1

P (U, N )

2.3.7.

Sistema de Represi on

Con este sistema queremos simular la represi on (U, N ) sufrida por un comportamiento social U en un subsistema social N . En las versiones anteriores se consideraba que la represi on sufrida depend a de la represi on producida sts por los comportamientos sociales diferentes de U , del impacto de los distintos subsistemas sociales sobre N y del peso de cada comportamiento social en cada subsistema seg un la siguiente relaci on (U, N ) =
V =U M

(V, M )sts(V, M )IM P (M, N )

(2.3.2)

donde sts(V, M ) es la represi on producida12 por V desde el subsistema social M (V, M ) es el peso de V en el subsistema social M , que se expresa por (V, M ) = P 2 (V, M ) S (2.3.3)

donde S representa el n umero de los subsistemas sociales activos. La relaci on 2.3.3 se justica en la tesis de Vicent Castellar Bus o13
11

Caracterizamos una sociedad tecnol ogicamente avanzada por una mayor capacidad de elecci on entre distintos comportamientos sociales V ease la secci on 2.3.8 V ease la referencia 17

12 13

47

En este trabajo, considerando que en la realidad ning un comportamiento social en ning un subsistema social se reprime a s mismo, evitaremos el efecto del impacto IM P (M, N ) provocado por U sobre (U, N ). Substituyendo IM P (M, N ) en la ecuaci on 2.3.2 por el impacto (imp(V, M, N )) de los comportamientos sociales diferentes de U llegamos a la siguiente expresi on de la represi on sufrida (U, N ) (U, N ) = 1 S P 2 (V, M )sts(V, M )imp(V, M, N )
V =U M

Por lo tanto, el factor 1 determinado por el contexto social se dene en nuestro Modelo como 1 (U, N ) = 1 1 S P 2 (V, M )sts(V, M )imp(V, M, N )
V =U M

2.3.8.

Sistema de Adaptaci on

Con la Adaptaci on queremos caracterizar el proceso por el cu al la represi on producida sts(U, N ) evoluciona desde un valor inicial (U ) cuando un subsistema social es un subsis, tendremos tema ne oto, hacia la represi on sufrida (U, N ) con un retardo Ta (N ). As stst+t (U, N ) = stst (U, N ) + t t (U, N ) stst (U, N ) cuando < 1 Ta (N ) sts0 (U, N ) = (U ) donde Ta (N ) viene dado por Ta (N ) = t Ka donde max es la fuerza m axima (en la pr actica max =
15 7 )

cuando 1

(inicializaci on)

max U (U )P (U, N )

Ka es un par ametro constante al que damos distintos valores Queremos modelar una adaptaci on m as r apida cuando el subsistema disponga de una
max tecnolog a m as avanzada14 . As , si P (U, N ) = 1 se cumplir a Ta (N ) = t Ka (U )

y en el caso U = 2mmax 1, dado que (U ) = max , tendremos que Ta (N ) = t Ka toma el valor m nimo.
14

La tecnolog a avanzada se reeja en valores grandes de la fuerza

48

2.3.9.

Sistema de Resignaci on

Con el Sistema de Resignaci on queremos simular la evoluci on din amica de la referencia PR con la cual se compara el exito y el fracaso del cumplimiento del objetivo. En la evoluci on social tal referencia no se da de forma absoluta, sino es necesario considerar la inuencia del factor subjetivo. Si la resignaci on fuera instant anea y total la referencia PR ser a igual a la satisfacci on media PGM . Para mantener una evoluci on coherente, dividimos la diferencia PG (U ) PGM por la disviaci on t pica G realizando una normalizaci on estad stica. En la pr actica, la resignaci on se producir a con un retardo Tr . As , expresaremos este proceso restando de la satisfacci on PG un valor PR que evolucionar a linealmente hac a la satisfacci on media PGM a linealmente en cada instante y dividiendo la diferencia por un valor SR (N ) que evolucionar hac a la desviaci on t pica G (N ) actual de las satisfacciones. P t+t (N ) = P t (N ) + t P t (N ) P t (N ) cuando < 1 GM R R R Tr P 0 (N ) = P 0 m(N ) = R R
(U ) U <2mmax 1 2mmax

cuando 1

(inicializaci on)

t (N ) es la satisfacci donde PGM on media en el instante t para N t PGM (N ) = U t (U, N )P t (U, N ) PG L t (U, N ) P U L

Queremos modelar una situaci on en la que la resignaci on sea m as lenta cuanto mayor sea la ferocidad, y por ello tomaremos Tr (N ) = t Kr
U

(U )P (U, N ) + 1

donde Kr es un par ametro constante al que damos distintos valores y tambi en expresamos t+t t + SR (N ) = SR 0 (N ) = SR

t Tr

t (N ) S t (N ) G R 0 (N ) PR

cuando < 1
2

2 (U ) U <2mmax 1 2mmax

cuando 1

(inicializaci on)

t (N ) es la desviaci donde G on t pica en el instante t para N t 2 t U (PG (U, N )) PL (U, N ) t U PL (U, N )

t G (N ) =

t (N ) PGM

49

Observemos que para el c alculo de la media y la desviaci on t pica no utilizamos la probabilidad P (U, N ) sino la tasa de aprendizaje (incluyendo al efecto de la comunicaci on cient ca externa), que es lo que determina el factor sujetivo. En estas condiciones, t (N ) = 2 SR , expresamos el cambio de la funci on acumuladora t (N ) . As
R

S 0 (N )

de memoria mediante 0 (N ) F t+t (U, N ) = F t (U, N ) + max 2t P t (U, N ) P t (N ) P t (U, N ) SR , F t (U, N ) G R L S t (N ) F (U, N ) = natal(N )
R

U m(N )

cuando 1

(inicializaci on)

2.3.10.

Sistema Ecol ogico

Con la ecolog a deseamos representar la degradaci on del entorno como consecuencia del consumo en satisfacci on y de la represi on. Tambi en tiene asociada una disminuci on en la posibilidad de consumo, tanto en satisfacci on como en represi on, para poder recuperar el entorno mediante el reciclaje. Representaremos la ecolog a mediante una variable global E no negativa, la cual partir a de un valor inicial m aximo E0 sucientemente elevado como para que sea posible mantener durante toda la evoluci on un consumo en satisfacci on o un consumo en represi on tan alto como sean capaces de tener la totalidad de los sistemas activos. Incluso las sumas de estos consumos pueden llegar al nivel m aximo simult aneamente, pero no podr an permanecer as por la degradaci on que sufrir a el entorno. Esta variable puede llegar al valor cero, situaci on que denominaremos hecatombe ecol ogica y que determina el n de la evoluci on. Un valor que permite esta situaci on corresponde a E0 = 2 N P Como el consumo en satisfacci on y el consumo en represi on contribuyen a la disminuci on de los recursos, es decir de la ecolog a, es necesario denir y caracterizar los procesos mediante los cuales sea posible tambi en el aumento de esta variable, siempre entre sus valores extremos 0 y E0 . Estos procesos son la reutilizaci on y el reciclaje. Diferenciamos la reutilizaci on del reciclaje en que la primera no conlleva un coste que s caracteriza al segundo. Este coste ocasiona una disminuci on en el consumo en satisfacci on, en represi on o en ambos.

50

Denominaremos a la reutilizaci on y al reciclaje por r y respectivamente. Las expresiones de los consumos en satisfacci on y en represi on y del coste del reciclaje ser an respectivamente t t t K t = Et 1 U,N (U ) (U, N ) P (U, N ) E0 Ko = 0 1 K t+t = 2 Ko = 0 2 K t+t = 3 Ko = 0
3 Et E0

U,N

stst (U, N )P t (U, N )

U,N

t (U, N )P t (U, N )

Adem as, como los efectos del consumo sobre la ecolog a son globales consideraremos que la inuencia sobre el entorno se expresa de la misma forma para cualquier comportamiento social y en cualquier sistema. Como la reutilizaci on est a asociada a los ciclos naturales, est a acotada por una fracci on seg un un factor Cl de los recursos disponibles. Tambi en consideramos que est a acotada por los consumos en satisfacci on y en represi on y no puede ser negativa. La expresi on t + K t+t rt+t = max 0, min Cl E t , E0 E t + K1 2 r0 = 0 nos da el valor de la reutilizaci on. Cl es un par ametro constante al que damos distintos valores El reciclaje se calcula respecto a un valor ideal, el cu al corresponde a los recursos consumidos y no reutilizados y tampoco puede ser negativo. As , expresamos el reciclaje ideal mediante t + K t+t (I )t+t = max 0, min E0 , E0 E t rt+t + K1 2 (I )0 = 0 aplicaremos un retardo Te dado por 1 1 E0 E = Te (N ) t Ke E0 (U ) 1 (U ) P (U, N ))
U

Ke es un par ametro constante al que damos distintos valores Finalmente, tambi en consideramos que el m aximo coste posible en reciclaje correspondiente

51

a cada componente social est a acotado por sus posibilidades de consumo. As , t+t (U, N ) = min t (U ), (I )t+t S Te (N ) 0 (U, N ) = 0
t+t t + Kt) y E t+t = E t + rt+t + K3 (K1 2

Adem as, las relaciones con el entorno hacen variar la satisfacci on, representada como PG (U, N ), para cada comportamiento social en cada sistema, aumentando con la recuperaci on del entorno pero disminuyendo con el coste del reciclaje producido, seg un PG (U, N ) = E (U ) (U, N ) E0 1 (U, N )

2.3.11.

Sistema de Retardo

Finalmente, un Sistema de Retardo expresa la disminuci on del tiempo de Adaptaci on de la represi on Ta (N ) con la fuerza, el aumento del tiempo de resignaci on Tr (N ) con la ferocidad y el aumento de tiempo de reciclaje Te (N ) con la fuerza y su disminuci on con la ferocidad, con unos par ametros Ka , Kr y Ke respectivamente. Ta (N ) = t Ka Tr (N ) = t Kr
U

max , U (U )P (U, N ) y

(U )P (U, N ) + 1

1 E0 E 1 = Te (N ) t Ke E0

(U ) 1 (U ) P (U, N ))
U

Recordemos que altos valores de Ka y Kr implican lenta adaptabilidad a la represi on y resignaci on, respectivamente. As , un Pacismo adaptativo (desarme frente a la falta de enemigos) puede ser expresada por bajos valores de Ka . Y la Insumisi on frente a la resignaci on puede ser expresada por altos valores de Kr . La siguiente gura muestra gr acamente la estructura global del Modelo: 2.4. Programaci on

Nuestro Modelo ha sido programado en el lenguaje C , y ejecutado en el ordenador CraySilicon Graphics Origin 2000 con 64 procesadores (MIPS R1200 a 300 MHz), 16 GBytes

52

Figura 2.4: Estructura Global del Modelo

de memoria central y 390 GBytes en disco (Servicio de Inform atica Universitat de Val` encia). El sistema operativo que emplea es el IRIX 6.5.5, el cual es una variante del Unix desarrollada por Silicon Graphics. .

2.5.

Especicaci on del Modelo

En la pr actica trabajamos con N P = 50 subsistemas sociales, a0 = 0,09 y dimensi on m axima mmax = 4. Con dicha especicaci on, U = (0, 0, 0, 0) puede corresponder a una sociedad primitiva con poca posibilidad t ecnica de satisfacci on, sin comunicaci on cient ca, la cual tiene ferocidad pero no fuerza, y por lo tanto no tiene capacidad represiva. Hablamos de predominio de un estado U en el subsistema social N si su probabilidad es mayoritaria, es decir, P (U, N ) > 0,5. Y hablamos de predominio fuerte si adem as su

53

probabilidad de satisfacci on es la m axima PG (U, N ) = maxV PG (V, N ). Los valores que usamos de tnt y prg son 20000 y 10000 respectivamente.

2.6.

Interpretaci on y Validaci on

Con nuestro Modelo hemos obtenido evoluciones15 con los comportamientos sociales 1 3 7 F (individualistas) en la zona occidental y 0 2 6 (gregarios) en la zona oriental. Lo que reeja una representaci on satisfactoria de la Evoluci on Social Dual con la siguiente posible interpretaci on de los comportamientos sociales: dimensi on m = 0(inicializaci on): Sociedad Primitiva dimensi on m = 1: Revoluci on Agr cola U = (0, 0, 0, 0) = 0: Imperio Oriental U = (0, 0, 0, 1) = 1: Esclavitud Occidental dimensi on m = 2: Incremento Tecnol ogico U = (0, 0, 1, 0) = 2: Feudalismo Oriental U = (0, 0, 1, 1) = 3: Feudalismo Occidental dimensi on m = 3: Revoluci on Industrial U = (0, 1, 1, 0) = 6: Socialismo Real U = (0, 1, 1, 1) = 7: Capitalismo dimensi on m = 4: Revoluci on Tecnol ogica ca Libre U = (1, 1, 1, 1) = F , U = (1, 1, 1, 0) = E : Sociedad Cient
15

V ease la gura 2.6

54

Los otros valores de U pueden representar anomal as sociales (Fascismo, Estalinismo...). Esta posible interpretaci on de los resultados se representa en la gura 2.5 De los resultados obtenidos se deduce que el Modelo puede representar evoluciones que pasan por distintas fases con predominio de diversos estados globales. Hemos validado de forma cualitativa el Modelo en relaci on a los esquemas historicos planteados por M.Godelier. Los resultados del Modelo muestran una representaci on satisfactoria del planteamiento de referencia y genera muchos rasgos que buscamos a explicar.

55

Figura 2.5: Esquema de la Evoluci on Dual y sus algunas posibles futuras evoluciones seg un el Modelo

56

2.7.

Conclusiones

La siguiente gura muestra un interesente resultado: despu es de una dualidad con el capitalismo en la zona occidental y el socialismo real en la zona oriental, llega una globalizaci on capitalista que luego se supera con una sociedad cient ca libre sin destrucci on ecol ogica. As , la globalizaci on capitalista es un proceso superable seg un nuestro Modelo. Adem as el Modelo permite una estimaci on del valor de algunas magnitudes que no es posible medir en el sistema real. Por ejemplo, consumo en satisfacci on y represi on de los distintos comportamientos sociales.
T=Tiempo, E=Ecologia, S=Numero de subsistemas activos T Majority Behavior in the Population(N from 0 to NP-1) E 0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200 2300 S

00000000000000000000000000000000000000000000000000 1.00 50 0000000000-0 -00-00-00-000000000000000000000000000 1.00 49 -0000000 01 10000000 1 1 0100100100 000000000000000000000000 1.00 45 1 1 1 1 1 1 10010-10- 00-00-00-000000000000000 1.00 43 1 0101101 00100100100000-000000000 1.00 41 1 1 1 1 1 101101 001-01001000001000000000 1.00 39 1 1101 0011010010000010000000-0 1.00 37 1 11 1 001101001000-0-00000-010 1.00 34 1 11 - 00110-001000101000001-1 1 -1 1 1 11 1 1 11 1 1 11 1 1 11 11 11 11 1 11 11 1 11 11 1 11 11 1 11 11 1 11 11 1 11 11 - 11 -1 1 1- 11 1 -1 11 01101001-001010000-11-10100110-101-0001111 1- 100110110110001111 11 1 011-110110 11 -1 11 1 11 1 11 1 11 1 -1-1 1-11 --11 1111 1111 111-1011 11111 11 11111 11 -1111 1111111 111 11-11 111 11111 111 11111-111 11-111111 111111-11 1111-1111 1111 1111 1111 1111 1.00 33 1.00 33 1.00 32 1.00 31 1.00 29 1.00 28 1.00 27 1.00 28

1000 -0 - 1 1000 100 1 1 1 1 1 1 1 1 1 1 111 -1 11 11 11 11 1 1 1 1 1 1 1 1 1 1 1 1 1

- - -1 1 1 11 1 1 11

1 1 11 -1 1 1 11 11 1 1 11 11

1- 1 1 -1 11 11 1 1-11 11 -1 - 1111 11 11 1 1111 -1 11 1 1111 11 1- 1 1111 11 1--1 11-- 11 1111 1111 11 1111 11-1 11

1111- 1.00 30 1111- 1.00 32 1-1-1 1.00 32 1-111 1.00 33 1-111 1.00 34 1-111 1.00 35 1-111 1.00 35 1-111 1.00 35

57

2400 2500 2600 2700 2800 2900 3000 3100 3200 3300 3400 3500 3600 3700 3800 3900 4000 4100 4200 4300 4400 4500 4600 4700 4800 4900 5000 5100 5200 5300 5400 5500 5600 5700 5800 5900

11

1111-1111-11

1 11 11 1 11 11 1 11 11 11 11 1 11 1-

1111 11-1 1111 1111 1111

111111111 -1-111 1.00 38 111111111 11-111 1.00 39 11111-11- 11-111 1.00 39 11111111- 11--11 1.00 39 1111-1111 11--11 1.00 39

1- - 111111-11111 11 - 111111-11111 11 - 111-111111111 - 111111111111

11 - 111111111111- 1 11 11 1- - -11111111111- 1 11 11 11 - -11111111111- 1 11 11 11 ---11-111111111 1-11-11 11 3--111111111111 1111111 11 3-31-1111111111 1111-11

1111- 111111111 11--11 1.00 41 11111 -11111111 1---11 1.00 41 11111 111111111 1---11 1.00 41 11111 11-1111-1 11--11 1.00 44 11111 1-11111-1 11--11 1.00 44 111-- 1111111-1 11---1 1.00 44

11 3--1-1111111111 1111-11- 11-11 11111-1-1 ----31 1.00 45 1- 33--31111111111 111111-1 11111 1-1-111-1 ----31 1.00 45 -3 33-3311111-11-1 11111111 -1111 1-1--1--- ----3- 1.00 45 -3 3-3333111111111 111-1111 -1111 1-1------ --2-3- 1.00 45 -3 3--333111111111 11111111 11111 111------ --2-3- 1.00 45 -3 3--3-33-1111-11 111-1111 1-111 1-1------ --223- 1.00 45 -3 3333--311111111 111111-1 11111 1-----------223- 1.00 46 -3 3333--3--111111 11-11111 11111 1-----------2233 1.00 46 -- 3333--333111111 11111-11 1111- 1----------22233 1.00 46 -- --33--3331111-1 11111-11 1-111 -----------22233 1.00 46 -- --3--3-33-11111 11111-11 1111- -----------222-- 1.00 46 -- --3----33331111 11111-11 1-1-- -------7---2222- 1.00 46 -- ----7--3333-311 11111-11 1-1-- ---6---7---222-- 1.00 46 -- ----7-7-3-3---1 11111-11 1---- ---6----6--222-- 1.00 46 -- ---77-7-------1 -1111--- 1---- ---66-66---22--- 1.00 46 -- ----7-7------7- -1111--1 1---- ---66-66---22--- 1.00 46 -- ----777------77 7-111--1 ----- --66-666-6222--- 1.00 46 -7 -7--777-----777 77-1---- ----- -666-666-6222--- 1.00 46 -7 -777777---7-7-7-7777---- ----- 6--6-666-6222 -- 0.99 46 -7 77777777-77---7-7777---- --666 6--6-66666222 -7 0.95 46 -7 77777777-777--7-77777-7- -6666 6--6--6666222 -7 0.87 46 -7 77777777-77777777777777- -6666 6-66--6666222 -7 0.77 46 -7 7--77777-77-7777--77777- -6666 666---6666222 -7 0.65 46 -7 7--77777--7-7777--77777- -6666 666-6-6666-22 -7 0.54 46 -7 77777 7 F-77 777777--6-66 6-6- -6-66-22 -7 0.44 39

58

6000 6100 6200 6300 6400 6500 6600 6700 6800 6900 7000 7100 7200 7300 7400 7500 7600 7700 7800 7900 8000 8100 8200 8300 8400 8500 8600 8700 8800 8900 9000 9100 9200 9300 9400 9500

-7 -7 -7 F7 7 7 7 7 7 7 7 7 7 7 7 7 7 -777777777777 77 77 77 77 77 77

77777 77777 77777 77-77 77-77 -7 77 -7 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 7- 77 7- 77 -7 77 -7 777 777 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 -7 77 -7

77 77 -7

7777-7-66-66 6-6 -777---6- 66 6 -777 -77 -77 77 -7 -7 -7 -7 -7 -7 -6- 66 6 -6 6 6 7 7 7 7 7 7 7 7 7 7 66 6 66 6 66 6 66 6 66 6 66 6 66 6 66-6 66-6 66-6 66-6 66-6 66-6 6-66 6-66 6-66 6-66 6--6 6--6 6--6 6--6-----------------------7 ---7 ---7 ---7 ---7 -

6-66 22 -7 0.41 34 6-66 22 6 66 22 6 6 6 6 6 6 6 7 7 7 7 7 7 7 7 7 7 7 7 6 22 6 -2 6 -2 6 72 6 72 6 72 6 72 6 72 6-72 6-72 6-72 6--2 67-2 6772 -772 -772 -77-77-77-777777 7777 7777 7777 7777 77-7 77-7 7--7 7-77 7-77 7-77 7-77 7-77 7 0.41 28 - 0.46 25 - 0.57 20 0.73 18 0.96 15 1.00 15 1.00 15 1.00 15 1.00 15 1.00 17 1.00 18 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20 1.00 20

7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7

-7 77 77 77 77 77 77 777----7 -7 -7 77 77 77 77 77 77 77 77

59

9600 9700 9800 9900 10000 10100 10200 10300 10400 10500 10600 10700 10800 10900 11000 11100 11200 11300 11400 11500 11600 11700 11800 11900 12000 12100 12200 12300 12400 12500 12600 12700 12800 12900 13000 13100

77 77 -7 -7 77 7777777777777777777777777-------

77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 -7 77 -7 77 -7 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -- 77 -- 77 -- -7 -- -7 -- -7 -- -7 -F -7

7 7 7 7 7 7 F F

77 77 77 77 77 77 77 77 77 77 ------------------F-

F F

---7 ---7 ---7 ---7 ---7 ---7 ---7 ---7 ---7 ---7 ---7 -------------------

7 -

7-77

1.00 20 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 21 1.00 22 1.00 23 1.00 23 1.00 23 1.00 23 1.00 23 1.00 23 1.00 23 1.00 23 1.00 23 1.00 23 1.00 23 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24

7- 7777 7- 7777 7- 7777- 7777- 7777- 7777 7- -777 7- -777 7- -777 7- -777 7- -777 7- -777 7- -777 7- -777 7- -777 7- -777 7- -7777- -7777- -7777- -7777- -77-7- -77-7- --7--- --7--- --7--- --7--- --7--- --7--- ------ ------ ------ ----F- F---F- F---F- F----

---- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -F--- -FF-- -FF-- -FF-F -FF-F -FF-F F-

F- - F FF - F FF - F FF - F FF - F FF F F FF F F

60

13200 13300 13400 13500 13600 13700 13800 13900 14000 14100 14200 14300 14400 14500 14600 14700 14800

FFFFFFFFFFFFFFFF FF FF

-F -7 -F -7 -F F7 -F F7 -F F7 -F FFF FFF FF FF FF FF FF FF FF FF FF FF FF FF FF FF FF FF FF FF FF

F F F F F F F F F F F F F F

FF F F FF F F FF F F FF F F FF F F FF F F FF F F FF F F FF F F FF F F FF F F FF F F FF F F FF F F FF F FF F FF F F

FF-F FF FF-F FF FF-F FF FF-- FF FF-- FF FF-- FF FF-F FF FF-F -F FF-F -F FF-F -F F--F -F F--F -F FFFF FF FFFF FF FFFF FF FFFF FF FFFF FF

FF F---FF F---FF F-FFFF F-FFF- FFFFF- FFFFF- FFFFF- FFFFFF FFFFFF -FFFFF -FFF-F -FFF-F FFFFF FF FFFFFF FFFFFF FFFFFF FFF--

1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24

Figura 2.6: Un ejemplo de una evoluci on dual del Modelo. El espacio en blanco indica la muerte del subsistema, - indica un estado intermedio (P (U, N ) < 0,5 para todo U ), y los hexadecimales indican los estados predominantes.

61

BIBLIOGRAF IA
[1] Caselles A, (1998) Regint: A Tool for Discovery by Complex Function Fitting.(ed.) Cybernetics and Systems98. Austrian Society for Cybernetic Studies. Vienna, pp 787-792. [2] Castellar-Bus o V and Pla-L opez R (1997) Un modelo de desarrollo sostenible opuesto a la hecatombe ecol ogica in 14th International Conference of WACRA-Europe on Sustainable Development, Madrid. Published in Revista Iberoamericana de Autogesti on y Acci on Comunal, 32, pp 151-162. [3] Engels F, (1884) Der Ursprung aus der Familie, der Privateigentum und der Staat. Zurich (translated to Spanish as El Origen de la Familia, la Propiedad Privada y el Estado, Fundamentos, Madrid, 1970). [4] Godelier M, (1970) Sch ems d evolution des soci et es. (translated to Spanish as Esquemas de evoluci on de las sociedades, Miguel Castellote Editor, aprox. in 1970). [5] Nemiche M and Pla-L opez R (2000) A Model of Dual Evolution of the Humanity. in 2nd International Conference on Sociocybernetics, Panticosa, 25-30 juny (2000). [6] Nemiche M and Pla-L opez R (2002) A Learning Model for the Dual Evolution of the Human Social Behaviours. 12th International WOSC Congress And The 4th IIGSS Workshop, Pittsburgh, Pennsylvania, USA, 24-26 marzo 2002 (art culo premiado) Kybernetes: The International Journal of Systems and Cybernetics (in press). opez R, (1988) Introduction to a Learning General Theory. in Cybernetics and [7] Pla-L Systems: An International Journal, 19, 411-429, Hemisphere Publishing Corporation, The Austrian Society for Cybernetic Studies, 1988.

62

[8] Pla-L opez R, (1989) Models of Historical Evolution: altemating ends. Congr es Europ een de Syst emique, Lausanne. [9] Pla-L opez R, (1990) Models of Multidimensional Historical Evolution. in R.Trappl ed., Cyberneties and Systems90, World Scientic, Singapore, 575-582. opez R, (1992) Model of Adaptive, Historical and Multidimensional Social [10] Pla-L Learning. in R.Trappls ed., Cyberneties and Systems Research92, World Scientic, Singapore, 1005- 1012. [11] Pla-L opez R, (1993) The Role of Subjective Factor in Social Evolution. in Second European Congress on Systems Science, Prague. opez R, and V.Castellar-Bus o (1994) Model of Historical-Geographical Evolu[12] Pla-L tion. in R.Trappl ed., Cybernetic and Systems94, World Scientic, Singapore, vol. 1, 1049-1056. [13] Pla-L opez R, (1996a) Cu anto puede perdurar una revuelta?. in 1 Reuni on Espa nola de Ciencias de Sistemas, Val` encia. Published in Revista Internacional de Sistemas, vol.8, Nro.1-3, 1996, pp 59-73. [14] Pla-L opez R, (1996b). Social and Ecological Consequences of Adaptive Pacism and Unsubmission. in 3rd.European Congress of Systems (CES3), Roma. [15] Pla-L opez R, and V.Castellar-Bus o (1999) Models of Dual Social Evolution. In 4 eme Systems Science European Congress, Val` encia. ermenes y Acero. I.S.B.N.:84-8306-114-7. [16] Jared Diamond (1997) Armas, G [17] Castellar-Bus o V (1998), un model sist` emic d evoluci o social sostenible. Tesis Doctoral. Universidad de val` encia.

63

[18] Ricard Sol e V, and C. Susanna Maurubia (1993), Orden y Caos en Sistemas Complejos. Universitat Polit ecnica de Catalunya. [19] Rosaria Conte and Mario Paolucci (2001), Intelligent Social Learning. Journal of Articial Societies and Social Simulation vol. 4, no. 1. [20] Nigel Gilbert and Klaus Troitzsch G. (1998), Simulation for the Social Scientist. ISBN 0 335 19744 2 by Open University Press.

64

Cap tulo 3 INFLUENCIA DE LAS CONDICIONES INICIALES EN LA DUAL EVOLUCION

Una vez pensamos que nuestro modelo parece estar validado, es necesario realizar un an alisis de sensibilidad para generar distrubuciones de resultados variando los pr ametros iniciales. En este cap tulo exploraremos de forma cualitativa y cuantitativa, mediante t ecnicas de estimaciones, las clases de evoluciones duales del modelo presentado en el cap tulo anterior. Recordemos que un estado U predomina en un subsistema social N cuando su probabilidad es mayoritaria, es decir, P (U, N ) > 0,5. Y hablamos de predominio fuerte si adem as su probabilidad de satisfacci on es la m axima, PG (U, N ) = maxV PG (V, N ). Llamamos hecatombe ecol ogica a la terminaci on de la evoluci on causada por la imposibilidad de continuar consumien-do recursos cuando E = 0.

3.1.

Clasicaci on Cualitativa

Hemos clasicado las evoluciones duales del modelo en dos grandes categor as: Categor a 1. Queremos estudiar las evoluciones que muestan una dualidad completa, donde aparece el predominio del comportamiento social (0, 0, 1, 0) y el predominio fuerte de (0, 1, 1, 0) en la zona oriental y predominio del comportamiento social (0, 0, 1, 1) y el predominio fuerte de (0, 1, 1, 1) en la zona Ooccidental. Las clases de evoluciones que podemos encontrar dentro de esta categor a son: Fase I.1: aparece el estado (0, 0, 1, 0) (feudalismo oriental) en la zona oriental y el estado (0, 0, 1, 1) (feudalismo occidental) en la zona occidental. Fase II.1: cuando se supera el estado (0, 0, 1, 0) con el predominio fuerte de (0, 1, 1, 0)

65

(socialismo real) en al zona oriental y el estado (0, 0, 1, 1) con el predominio fuerte del estado (0, 1, 1, 1) ( capitalismo) en la zona occidental. Clase I.1: la evoluci on se termina con hecatombe ecol ogica durante el dominio fuerte del (0, 1, 1, 0) y (0, 1, 1, 1) Clase II.1: aparece una globalizaci on con el estado (0, 1, 1, 1) (capitalismo) sin superarlo ni llegar a la hecatombe ecol ogica Clase III.1: se supera la globalizaci on capitalista o la dualidad con una sociedad cient ca libre (1, 1, 1, 1). Con los pr ametros utilizados no se han encontado evoluciones que terminen con la hecatombe ecol ogica durante la globalizaci on capitalista, ni evoluciones que se globalizen con el socialismo real1 En la gura siguiente est an representadas las transiciones correspondientes

Figura 3.1: Evoluciones de la categor a 1 y su estructura de transiciones de estados

Lenta adaptaci on del natal al natal ideal ntl permitir an simular evoluciones duales que se globalizan con el socialismo real lo que no es realista en la evoluci on real de humanidad en el planeta tierra.

66

Categor a 2. Llamamos evoluci on dual simple cuando aparece el estado (0, 1, 1, 0) (socialismo real) en la zona oriental y el estado (0, 1, 1, 1) (capitalismo) en la zona occidental con dominio fuerte de solamente uno de ellos. Las clases de evoluciones que podemos encontrar dentro de esta categor a son: Fase I.2: aparece una dualidad simple con el estado (0, 1, 1, 0) en la zona oriental y el estado (0, 1, 1, 1) en la zona occidental. Clase I.2: despu es de la dualidad simple se globaliza el sistema con el estado (0, 1, 1, 1). Subclase I.a.2: no se supera la globalizaci on del estado (0, 1, 1, 1) con otra globalizaci on cient ca libre. Subclase I.b.2: se supera la globalizaci on del estado (0, 1, 1, 1) con otra globalizaci on cient ca libre (1, 1, 1, 1). Subclase I.c.2: la evoluci on se termina con hecatombe ecol ogica durante la globalizaci on con el estado (0, 1, 1, 1). Clase II.2: la evoluci on se termina con hecatombe ecol ogico durante el predominio del (0, 1, 1, 0) y (0, 1, 1, 1). Clase III.2: despu es de una dualidad simple con los estados (0, 1, 1, 0) y (0, 1, 1, 1) con el dominio fuerte del estado (0, 1, 1, 0) en m as subsistemas sociales, llega una globalizaci on cient ca libre (1, 1, 1, 1). En la gura siguiente est an representadas las transiciones correspondientes

67

Figura 3.2: Evoluciones de la categor a 2 y su estructura de transiciones de estados

3.2.

Reducci on de los Par ametros de Control

Recordemos que Ka = 1, Kr = 1 y Km = 1 implican la ausencia de retardo en la adaptaci on de la represi on, la resignaci on y el natal respectivamente. Y Ke = 1 signica una concienciaci on instant anea frente a la degradaci on ecol ogica. Por otro lado, Ka = 100, Kr = 100 y Km = 100 implican unos retardos en la adaptaci on de la represi on, de la resignaci on y de natal de un orden similar a la longitud del intervalo temporal en el que estudiamos las evoluciones. Adem as, con Ke > 10 obtenemos cantidades m aximas de reciclaje de orden on aceptada por la variable ecol ogica. Los de 102 unidades, es decir similar a la precisi par ametros Cl y Ce son porcentajes. De acuerdo con ellos tomaremos los par ametros de control en el conjunto (Ka , Kr , Ke , Km , Cl , Ce ) {1, 2, , 100}2 {1, 2, , 10} {1, 2, , 100}3 Queremos simular evoluciones con r apida adaptaci on del natal al natal ideal (ntl) en caso de degradaci on ecol ogica, lo que provoca un aprendizaje m as r apido en subsistemas sociales j ovenes nacidos en situaci on de crisis ecol ogica como una reacci on para la supervivencia. Para ello, en este trabajo hemos jado Km en 4 Con valores de Ce superiores a 10 es imposible la superaci on de la globalizaci on capitali-

68

sta con una sociedad cient ca libre debido al decrecimiento del valor de (F ) muy por debajo de (7), as trabajamos con Ce {1, 2, , 10}. Hemos ejecutado nuestro modelo 2160 veces con (Ka , Kr , Ke , Km , Cl , Ce ) {10, 20, 30, 40}2 {2, 4, 6}{4}{30, 40, 50, 60, 70}{1, 2, , 9}

En las tres siguientes tablas damos las frecuencias de aparici on de las clases de evoluciones II.1, I.a.2, I.b.2, III.1, I.1 y II.2 para distintas combinaciones de Cl y Ce .

Cl 30 1 2 3 4 Ce 5 6 7 8 9 0 0 0 2 1 0 1 1 0 40 0 0 0 1 7 5 2 3 2 50 0 1 1 7 13 12 10 8 6 60 0 0 0 5 11 14 11 13 15 70 0 0 0 3 7 9 7 8 9

Tabla.3.1: Frecuencias de aparici on de la clase uni on de evoluciones II.1 o I.a.2 (aparece la globalizaci on capitalista sin superarse ni llegar a la hecatombe ecol ogica)

Como vemos en la tabla.3.1, las frecuencias de las clases de evoluciones II.1 o I.a.2 son comparativamente raras cuando Ce < 4 (Se halla casi ausencia de estas clases). As , para que el modelo pueda simular las evoluciones en las que se perpet ua la globalizaci on capitalista, tal como sostiene una parte signicativa de los actuales te oricos sociales es necesario trabajar con valores de Ce superiores o iguales a 4

Ce 4

(3.2.1)

69

Cl 30 1 2 3 4 Ce 5 6 7 8 9 0 1 2 0 1 0 0 0 0 40 5 5 5 1 0 0 0 0 0 50 6 1 4 4 0 0 0 2 0 60 3 10 7 6 0 0 0 0 0 70 1 1 0 1 0 0 0 0 0

Tabla.3.2 Frecuencias de aparici on de la clase uni on de evoluciones I.b.2 o III.1 (se supera la globalizaci on capitalista con una sociedad cient ca libre)

Hallamos casi ausencia de las clases de I.b.2 o III.1 cuando Ce > 4. Con el n que el modelo pueda simular tambi en la superaci on del sistema capitalista por una sociedad cient ca libre tal como propugnar an otros te oricos sociales que al considerarlo injusto y desigual cuestionan su perdurabilidad es preciso trabajar con valores de Ce inferiores o iguales a 4 Ce 4 (3.2.2)

Vemos de las relaciones (3.2.1) y (3.2.2), que Ce = 4 es el u nico valor que permite simular esas distintas clases de evoluciones.

70

Cl 30 1 2 3 4 Ce 5 6 7 8 9 0 2 1 3 2 4 5 5 4 40 3 1 3 4 2 8 7 6 8 50 0 1 1 2 2 6 7 8 10 60 0 0 0 0 1 3 0 5 5 70 0 0 0 0 0 0 0 0 0

Tabla.3.3: Frecuencias de aparici on de las clases de evoluciones I.1 o II.2 (la evoluci on se termina con la hecatombe ecol ogica durante el donimio del (0,1,1,1)y (0,1,1,0))

La revoluci on industrial, iniciada a mediados del siglo XVIII, supone la aparici on de los comportamientos sociales (0, 1, 1, 0) y (0, 1, 1, 1) en varios subsistemas sociales. El mantenimiento de estos comportamientos sociales ha llevado a la existencia de una degradaci on ecol ogica
E E0

< 1, hasta un punto que buena parte de los ec ologos consideran que supone

una amenaza de hecatombe ecol ogica. Con Ce = 4 observamos que, cuando Cl 60 ninguna evoluci on termina con hecatombe ecol ogico. As , un valor realista de Cl deber a ser inferior a 60. Adem as valores superiores a 50 permiten simular evoluciones duales sostenibles. En la practica hemos trabajado con Ce = 52 que posibilita tanto la hecatombe como la recuperaci on ecol ogica.

3.3.

Clasicaci on Cuantitativa

En esta secci on, una vez jados los valores de Ce y Cl , estudiaremos la inuencia de los par ametros Ka , Kr y Ke en la conducta global del modelo. Un instrumento estad stico que resulta adecuado para los modelos probabil sticos es la regresi on, con el cual conseguimos on. las distribuciones de probabilidades de Ka , Kr y Ke asociadas a cada clase de evoluci Despu es de considerar una familia amplia de transformaciones lineales, cuadr aticas, inversas, logar tmicas, exponenciales, trigonom etricas, hemos buscado el mejor ajuste, median-

71

te el programa REGINT, de las distintas distribuciones de probabilidades en las dos catego-r as. 3.3.1. Estudio Cuantitativo de la Categor a 1

Hemos ejecutado nuestro modelo 3125 veces con (Ka , Kr , Ke , Km , Ce , Cl ) {1, 5, , 97}2 {1, 3, , 9} {4} {4} {52} Llamaremos p1 a la probabilidad de la aparici on de la Fase I.1 p2 a la probabilidad de la aparici on de la Fase II.1 p3 a la probabilidad de la aparici on de la Clase I.1 p4 a la probabilidad de la aparici on de la Clase II.1 p5 a la probabilidad de la aparici on de la Clase III.1 Con los resultados hemos estimado las distribuciones de probabilidades correspondientes a que aparezca cada fase y clase de la categor a 1 en funci on de Ka , Kr y Ke de forma independiente. Ahora evaluamos las distintas evoluciones en funci on de Ka , p1 = 0,686891 0,420046 + 0,017904 log(Ka ) Ka

con el coeciente de correlaci on R1 = 0,828205

2 p2 = 0,056168 0,000041Ka + 0,000009 exp(0,1Ka ) + 0,051254 Ka

con el coeciente de correlaci on R2 = 0,8286643 p3 = 0,015199 + 0,000003 exp(0,1Ka ) 0,015602 cos(0,0625Ka ) con el coeciente de correlaci on R3 = 0,693814
2 p4 = 0,044751 0,000036Ka + 0,000007 exp(0,1Ka ) + 0,043222 Ka

con el coeciente de correlaci on R4 = 0,831534

2 p5 = 0,035582 0,000003Ka

0,091535 + 0,06191 exp(0,1Ka ) Ka

72

con el coeciente de correlaci on R5 = 0,83663 Observemos que existe una correlaci on fuerte de las evoluciones de tipo Fase I.1, Fase II.1, Clase II.1 y Clase III.1 con Ka . Para determinar el grupo de par ametros que facilitan o dicultan la aparici on de las evoluciones anteriores, representamos gr acamente las distribuciones de probabilidades Observamos que bajos valores de Ka (r apida adaptaci on a la
0.8 p1 0.7 0.6 0.5 0.4 p 0.3 0.2 p4 0.1 p5 0 0.1 0 p3 p2

10

20

30

40

50 Ka

60

70

80

90

100

Figura 3.3: distribuci on de probabilidad en funci on de Ka

represi on) facilitan la aparici on de la clase III.1 (es decir, la superaci on de la globalizaci on capitalista o la dualidad con una sociedad cient ca libre). Nuevamente, evaluamos las distintas evoluciones en funci on de Kr
2 p1 = 0,695407 + 0,000006Kr

0,119897 + 0,194476 exp(0,1Kr ) Kr

con el coeciente de correlaci on R1 = 0,381090 p2 = 0,405072 0,259922 0,089528 log(Kr ) + 0,015044 Kr Kr

con el coeciente de correlaci on R2 = 0,60239 p3 = 0,006503 + 0,147729 exp(0,1Kr )

73

con el coeciente de correlaci on R3 = 0,924124

2 p4 = 0,090991 + 0,00009Kr 0,019123Kr 0,000007 exp(0,1Kr ) + 0,13504 Kr

con el coeciente de correlaci on R4 = 0,6125882

2 p5 = 0,038877 + 0,000015Kr 0,001066Kr 0,000004 exp(0,1Kr )

con el coeciente de correlaci on R5 = 0,47813 Observemos que existe una correlaci on fuerte entre la clase I.1 y Kr . Para determinar el grupo de par ametros que facilitan o dicultan la aparici on de las clases anteriores, representamos gr acamente las distribuciones de probabilidades
0.8 p1 0.7

0.6

0.5

0.4

0.3 p2 0.2 p4 0.1 p3 p5 0 0 10 20 30 40 50 Kr 60 70 80 90 100

Figura 3.4: distribuci on de probabilidad en funci on de Kr

Como vemos, altos valores de Kr (lenta adaptaci on a la resignaci on) dicultan la aparici on de la evoluci on de clase I.1 (es decir, que la dualidad se termine con hecatombe ecol ogica). Por u ltimo, evaluamos las distintas evoluciones en funci on de Ke
2 p1 = 4,875047 + 0,01956Ke 1,956964 exp(0,1Ke ) 2,271176 exp(0,1Ke )

74

con el coeciente de correlaci on R1 = 0,98772

2 p2 = 5,28796 + 0,02811Ke 2,587476 exp(0,1Ke ) 2,555235 exp(0,1Ke )

con el coeciente de correlaci on R2 = 0,99213 (R2

2 p3 = 0,523937 0,003813Ke 0,047725Ke + 0,530948 exp(0,1Ke )

con el coeciente de correlaci on R3 = 0,914072

2 p4 = 3,189116 + 0,015755Ke 1,513678 exp(0,1Ke ) 1,544209 exp(0,1Ke )

con el coeciente de correlaci on R4 = 0,75466

2 p5 = 0,05842 0,000441Ke

0,052729 + 0,017277 cos(0,75Ke ) Ke

con el coeciente de correlaci on R5 = 0,972099 Existe as una correlaci on muy fuerte de las evoluciones de tipo Fase I.1, Fase II.1, Clase I.1 y Clase III.1 con Ke . Para determinar el grupo de par ametros que facilitan o dicultan la aparici on de las clases anteriores, representamos ahora gr acamente las distribuciones de probabilidades

75

0.8 p1 0.7

0.6

0.5

0.4

0.3

0.2

p2 p4

0.1 p5 0 1 p3 2 3 4 5 Ke 6 7 8 9

Figura 3.5: distribuci on de probabilidad en funci on de Ke

Como se puede observar en la gura 3.5, altos valores de Ke (lenta adaptaci on ecol ogica) facilitan la terminaci on de la dualidad completa con el hecatombe ecol ogico 3.3.2. Estudio Cuantitativo de la Categor a 2

Estudiamos ahora las aproximaciones de las distribuciones asociadas a cada clase de evoluci on (categor a 2) en funci on de (Ka , Kr , Ke ) de forma conjunta. Por ello hemos ejecutado nuestro modelo 10890 veces con (Ka , Kr , Ke , Km , Ce , Cl ) {1, 4, , 97}2 {1, 2, , 10} {4} {4} {52} Para cada (Ka , Kr , Ke ) {1, 4, , 97}2 {1, 2, , 10} = W asignamos los valores ai Ka Kr Ke = on o no de la clase . 1 o ai Ka Kr Ke = 0 a la aparici Estimaci on de la Probabilidad a posteriori Hemos usado el m etodo del vecino m as cercano para estimar las probabilidades a posteriori de la aparici on de cada tipo de evoluciones de la categor a 2 Llamaremos

76

p1 a la probabilidad de la aparici on de la Fase I.2 p2 a la probabilidad de la aparici on de la Clase I.2 p3 a la probabilidad de la aparici on de la Clase II.2 p4 a la probabilidad de la aparici on de la Subclase I.a.2 p5 a la probabilidad de la aparici on de la Clase I.b.2 p6 a la probabilidad de la aparici on de la Clase I.c.2 p7 a la probabilidad de la aparici on de la Clase III.2 El m etodo del vecino m as cercano ha sido objeto de numerosos estudios en esta u ltima d ecada. Su criterio de aprendizaje se basa en que los miembros de una poblaci on suelen convivir rodeados de individuos simulares, con propiedades parecidas. Bajo esta hip otesis toda informaci on descriptiva (adicional o desconocida) que quiera extraerse de un individuo puede observarse en otras circunstancias cercanas, en sus vecinos m as cercanos. Consecuencia directa es la aplicaci on de este m etodo como t ecnica de estimaci on de la probabilidad a posteriori de la aparici on de cada clase de evoluciones. El c odigo que hemos usado es el siguiente

77

Algoritmo del vecino m as cercano

Inicializacion numero de capas 3 Ka 1 Mientras (Ka 97) Hacer Kr 1 Mientras (Kr 97) Hacer Ke 1 Mientras (Ke 10) Hacer numenador 0 denominador 0 W = W \{(Ka , Kr , Ke )} i 3(numero de capas) Mientras (i 3) Hacer j 3 Mientras (j 3) Hacer k 3 Mientras (k 3) Hacer Si W = Entonces peso max{abs(i), abs(j ), abs(k)} Si (peso=0) Entonces peso 1
2 numenador numenador + ai Ka Kr Ke /peso

denominador denominador + 1 k k + 1 Fin de mientras j j + 1 Fin de mientras i i + 1 Fin de mientras Si denominador > 0 Entonces pi numenador/denominador Sino (pi 0) Ke Ke + 1 Fin de mientras Kr Kr + 3 Fin de mientras Ka Ka + 3 Fin de mientras

Fin del algoritmo del vecino mas cercano Como puede verse, con estas reglas este programa proporciona una estimaci on directa de la probabilidad a posteriori de cada una de las clases de evoluciones.

78

Hemos ajustado mediante REGINT la proporci on en que aparece una dualidad simple y el resultado es p1 = 0,558857 + 0,000077Ka Ke 0,344747 exp(0,1Ka ) 0,01231 Kr con el coeciente de correlaci on R1 = 0,918632

0.7 0.6 0.5 p1 0.4 0.3 0.2 0.1 100 80 60 40 20 kr 0 0 20 ka 60 40 80 100

Figura 3.6: representaci on (Ka , Kr , p1 ) con Ke = 10

90 80 70 60 kr 50 40 30 20 10

10

20

30

40

50 ka

60

70

80

90

Figura 3.7: Las coordinadas de los elementos de supercie en el plano (Ka , Kr ) con Ke = 10

Vemos que una r apida adaptaci on a la represi on (bajos valores de Ka ) diculta la aparici on

79

de la dualidad simple. Y una combinaci on de altos valores de Ke y valores de Ka superiores a 20 facilitan la aparici on de la dualidad simple con una probabilidad m axima pr oxima a 0,6. Es interesante estudiar en qu e medida la variaci on de los par ametros facilita o diculta la aparici on de la globalizaci on capitalista seg un el modelo. El ajuste de la probabilidad de la aparici on de la globalizaci on capitalista es
2 p2 = 0,404803 0,000633Ke 0,256798 exp(0,1Ka ) 0,146984 exp(0,1Kr )

con el coeciente de correlaci on R2 = 0,862242 Una r apida adaptaci on a la represi on o a la resignaci on (bajos valores de Ka o bajos valores de Kr ) diculta la aparici on de la globalizaci on capitalista. El alto consumo en represi on y satisfacci on durante la dualidad simple puede llevar a la hecatombe ecol ogica con una probabilidad p3 p3 = 0,015827 0,000009Ka Kr + 0,000222Ka Ke + 0,244917 exp(0,1Kr ) con el coeciente de correlaci on R3 = 0,924484

0.5 0.4 0.3 p3 0.2 0.1 0 100 80 60 40 20 kr 0 0 20 ka 60 40 80 100

Figura 3.8: representaci on (Ka , Kr , p3 ) con Ke = 10

80

90 80 70 60 kr 50 40 30 20 10

10

20

30

40

50 ka

60

70

80

90

Figura 3.9: Las coordinadas de los elementos de supercie en el plano (Ka , Kr ) con Ke = 10

Una combinaci on de altos valores de Ka , Ke , y bajos de Kr facilita la aparici on de la hecatombe ecol ogica durante la dualidad simple con una probabilidad m axima pr oxima a 0,4. Ahora, estudiamos la probabilidad de resistencia de la globalizaci on capitalista frente a la hecatombe ecol ogica y de su superaci on con una sociedad cient ca libre p4 = 0,451163 0,071287 exp(0,1Ke ) 0,280236 exp(0,1Ka ) 0,121324 exp(0,1Kr ) con el coeciente de correlaci on R4 = 0,886139

81

0.4

0.3

p4

0.2

0.1

0 100 80 60 40 20 kr 0 0 20 ka 60 40 80 100

Figura 3.10: representaci on (Ka , Kr , p4 ) con Ke = 1

90 80 70 60 kr 50 40 30 20 10

10

20

30

40

50 ka

60

70

80

90

Figura 3.11: Las coordinadas de los elementos de supercie en el plano (Ka , Kr ) con Ke = 1

Bajos valores de Ka o Kr o de Ke dicultan la resistencia de la globalizaci on capitalista frente a la hecatombe ecol ogica y la superaci on por una sociedad cient ca libre. Uno de los objetivos importantes de este cap tulo es el estudio de la posibilidad de la superaci on de la globalizaci on capitalista por otra globalizaci on Cient ca Libre. El estudio de los pocos casos de este proceso nos dan p5 = 0,101781 + 0,000037Ka Ke 0,00033Ka 0,064675 exp(0,1Ke ) con el coeciente de correlaci on R5 = 0,783303

82

0.12 0.1 0.08 p5 0.06 0.04 0.02 0 10 8 6 4 2 ke 0 0 20 ka 60 40 80 100

Figura 3.12: representaci on (Ka , Ke , p5 ) con Kr = 97

10 9 8 7 6 ke 5 4 3 2 1

10

20

30

40

50 ka

60

70

80

90

Figura 3.13: Las coordinadas de los elementos de supercie en el plano con (Ka , Ke ) con Kr = 97

La probabilidad de la superaci on de la globalizaci on con la sociedad cient ca libre on de valores altos de Ke , Kr y bajos de Ka crece cuando se aumenta Kr . Una combinaci facilita la superaci on de la globalizaci on capitalista por una sociedad cient ca libre con una probabilidad m axima pr oxima a 0,12.

83

Algunas evoluciones terminan con la hecatombe ecol ogica durante la globalizaci on capitalista con una probabilidad p6 p6 = 0,010302 0,000006Ka Kr + 0,000162Ka Ke + 0,185429 exp(0,1Kr ) con el coeciente de correlaci on R6 = 0,911197 una combinaci on de valores bajos de Kr y altos de Ka , Ke facilita la terminaci on de la globalizaci on capitalista con hecatombe ecol ogica con una probabilidad m axima pr oxima a 0,35, una combinaci on de bajos valores de Ke y Kr tambi en facilita la aparici on de esta clase de evoluciones Y por u ltimo, estudiamos la probabilidad de la aparici on de la clase III.2 de evoluciones, donde aparece una globalizaci on con una sociedad cient ca libre despu es de una dualidad con el dominio del socialismo real en m as subsistemas sociales que el capitalismo
2 p7 = 0,060272 + 0,00001Ka + 0,000019Kr Ke 0,00113Ka 0,037455 exp(0,1Ka )

con el coeciente de correlaci on R7 = 0,461776 Podemos concluir que una lenta adaptaci on a la represi on (valores altos de Ka ) facilitar a la aparici on de esta clase con una probabilidad m axima pr oxima a 0,1. 3.4. Conclusiones y Posibles Interpretaciones

Aunque en este cap tulo nos hemos concentrado en las evoluciones duales del modelo, se nalemos que el modelo presenta otras l neas evolutivas, algunas de las cu ales han sido ya estudiadas en trabajos anteriores de Rafael Pla L opez con Vicent Castellar Bus o. Las caracterizaciones cuantitativas anteriores permiten localizar los valores de los par ametros iniciales y sus posibles combinaciones que favorecen la aparici on de las distintas evoluciones duales del modelo. En el caso de las evoluciones de la categor a 1 (dualidad completa) hemos encontrado: Bajos valores de Ka (r apida adaptaci on a la represi on) facilitan la superaci on de la globalizaci on capitalista o la dualidad con una sociedad cient ca libre con una probabilidad m axima inferior estrictamente a 0,1. Podemos interpretar un Pacismo

84

adaptativo (desarme frente a la falta de enemigos) por bajos valores de Ka . As , una situaci on de Pacismo adaptativo facilitar a la superaci on de la globalizaci on capitalista con una sociedad cient ca libre. Altos valores de Kr (lenta resignaci on) dicultan la aparici on de la hecatombe ecol ogica durante la dualidad completa. La Insumisi on puede ser expresada por altos valores de Kr . As , una situaci on de Insumisi on dicultar a la terminaci on de la dualidad completa con el hecatombe ecol ogico Altos valores de Ke (lenta adaptaci on ecol ogica) facilitan la terminaci on de la dualidad completa con la hecatombe ecol ogica. Es natural que una situaci on con lenta respuesta frente a los problemas ecol ogicos favorezca la aparici on de tal hecatombe ecol ogica. En el caso de las evoluciones de la categor a 2 (dualidad simple), y con las fuertes correlaciones encontradas podemos concluir que Bajos valores de Ka (r apida adaptaci on a la represi on) dicultan la aparici on de la dualidad simple. Es decir, diculta la aparici on de los comportamientos represivos (0, 1, 1, 0) y (0, 1, 1, 1). Una combinaci on de altos valores de Ke y valores de Ka superiores a 20 (lenta adaptaci on a la represi on, lenta respuesta frente a los problemas ecol ogicos) facilita la aparici on de la dualidad con una probabilidad m axima pr oxima a 0,6. Una situaci on de Pacismo adaptativo diculta la aparici on de los comportamientos represivos, y por lo tanto una r apida adaptaci on de la represi on diculta la aparici on de la globalizaci on capitalista. Podemos esperar la terminaci on de la dualidad con la hecatombe ecol ogica con valores altos de Ka , Ke y bajos de Kr (lenta adaptaci on a la represi on, lenta respuesta frente a los problemas ecol ogicos, y r apida resignaci on)

85

Bajos valores de Ka , o Ke , o de Kr desfavorecen la estabilidad de la globalizaci on capitalista frente a la hecatombe ecol ogica o su superaci on con una sociedad cient ca libre. La posibilidad de la superaci on de la globalizaci on capitalista con una sociedad cient on, lenta ca libre crece con valores altos de Ke , Kr y bajos de Ka (lenta resignaci respuesta frente a los problemas ecol ogicos, y r apida adaptaci on a la represi on) Combinaciones de valores altos de Ka , Ke y bajos de Kr facilitan la terminaci on de la globalizaci on capitalista con la hecatombe ecol ogica, en una situaci on de altos gastos ecol ogicos y con poca capacidad de reciclar. Lenta adaptaci on a la represi on puede favorecer la aparici on de pocas evoluciones duales con ventaja del socialismo real en cuanto al n umero de subsistemas sociales en que predomina y que se globalizar an despu es con una sociedad cient ca libre Podemos concluir que r apida adaptaci on a la represi on diculta la aparici on de la dualidad, y en caso que aparezca diculta el proceso de la globalizaci on capitalista, y por ultimo si llega este proceso a su n facilita su superaci on con una sociedad cient ca libre. As , una situaci on de pacismo adaptativo diculta la aparici on de los comportamientos represivos. Finalmente, notamos que las evoluciones de la categor a 1 puedan representar la evoluci on real de la humanidad sobre la tierra, como completitud a efectos te oricos la categor a 2 representa otras evoluciones sociales virtuales que pueden sevir para simular la evoluci on de sociedades en otros planetas(en caso de existir).

86

BIBLIOGRAF IA
[1] Caselles A, (1998) REGINT: A Tool for Discovery by Complex Function Fitting.(ed.) Cybernetics and Systems98. Austrian Society for Cybernetic Studies. Vienna, pp 787-792. [2] Castellar-Bus o V and Pla-L opez R (1997) Un modelo de desarrollo sostenible opuesto a la hecatombe ecol ogica in 14th International Conference of WACRA-Europe on Sustainable Development, Madrid. Published in Revista Iberoamericana de Autogesti on y Acci on Comunal, 32, pp 151-162. [3] Pla-L opez R, (1996b). Social and Ecological Consequences of Adaptive Pacism and Unsubmission. in 3rd.European Congress of Systems (CES3), Roma. [4] Nemiche M and Pla-L opez R (2002) A Learning Model for the Dual Evolution of Human Social Behaviors. Kybernetes: The International Journal of Systems and Cybernetics (in press). [5] Cortijo, F.J. (1995), Un estudio comparativo de m etodos de clasicaci on de im agenes multibanda. Tesis Doctoral. Universidad de Granada. [6] Geva, S. and Sitte, J. (1991), Adaptative Nearest Neighbor Pattern Classication, en IEEE Transactions on Neural Networks, vol. 2 (2), p ags. 318-322. [7] Castellar-Bus o V (1998), un model sist` emic d evoluci o social sostenible Tesis Doctoral. Universidad de val` encia.

87

Cap tulo 4 EFECTO REVUELTA

Las ejecuciones del modelo muestran claramente que cada uno de los subsistemas sociales parte del comportamiento social inicial U = (0, 0, 0, 0) y pasa por los estados m as probables (alto grado de satisfacci on del objetivo) a trav es del aumento de la dimensi on nativa (con P (U, N ) > 0,5) dimensi on m=1 m=2 m=3 m=4 Estados m as probables U=(0,0,0,0) U=(0,0,1,0) U=(0,1,1,0) U=(1,1,1,0) U=(0,0,0,1) U=(0,0,1,1) U=(0,1,1,1) U=(1,1,1,1)

Tabla.4.1: Los estados m as probables

Tambi en pueden aparecer estados intermedios con P (U, N ) < 0,5 para todo U disponible. Pero en situaci on de crisis aparecen de forma ef mera, en el lugar adecuado y el momento oportuno, estados previamente improbables con un grado bajo de satisfacci on del objetivo. Este proceso, al que denominamos Efecto Revuelta, conduce normalmente en el paso siguiente t = 100 a la destrucci on del Sistema involucrado. Para analizar en qu e medida un Efecto Revuelta puede perdurar durante un per odo m as o menos largo, adaptamos el modelo para que cuando aparece un tal efecto se estudie la evoluci on de forma ralentizada, con transiciones en pasos m as cortos (t = 5). Encontramos que en la mayor a de los casos el Efecto Revuelta sigue desapareciendo en el paso siguiente, pero en algunos casos perdura durante dos o m as pasos. En lo que sigue, estudiaremos su distribuci on geogr aca (Este/Oeste) y por u ltimo trataremos en qu e medida el n umero de aparici on del Efecto Revuelta puede depender de Ka , Kr y Ke .

88

4.1.

Fundamentos Te oricos del Efecto Revuelta

Para explicar la aparici on de un Efecto Revuelta en un subsistema social N , debemos partir de la inuencia de un comportamiento social U en el aumento de su peso P (U, N ). Recordamos que el n ucleo del aprendizaje es
t t t F t (U, N ) = max 2t t (N ) PG (U, N ) PR (N ) PL (U, N ), F t (U, N )

si F t (U, N ) = F t (U, N ) entonces F t+t (U, N ) = 0, en cuyo caso el comportamiento social U no podr a aparecer en el instante t + t en el subsistema N En otro caso, si
t (U, N ) P t (N ) P t (U, N ) F t (U, N ) = 2t t (N ) PG R L

la inuencia del comportamiento U en el incremento de F t (U, N ) reside as en

t t t PG (U, N ) PR (N ) PL (U, N ). t (U, N ) es positivo y crece de forma proporcional a P t (U, N ) para Por construcci on, PL

todo t
t (N ) es un valor de referencia que se adapta con un retraso determinado por un PR

par ametro Kr a la media de las satisfacciones PG proporcionadas por los distintos comportamientos sociales
t+t t PR (N ) = PR (N ) +

t t t PGM (N ) PR (N ) Tr
t (U, N )P t (U, N ) PG L t (U, N ) P U L

t PGM (N ) =

Cuando la satisfacci on disminuye r apidamente para todos los comportamientos sociales, si la referencia PR (N ) se adapta lentamente a la media de las satisfaciones (altos valores de Kr ) puede producirse insatisfacci on para todos los comportamientos sociales disponibles, se produce una situaci on de crisis y por lo tanto F t (U, N ) < 0 con lo que B t+t (N ) < B t (N ) (4.1.1) U disponible

89

t (U , N ) en esta situaci on de crisis un comportamiento social UR poco probable (con PL R

peque no) puede llevar a que

t (U , N ) P t (N ) P t (U , N ) sea menos negativo para todo U = U PG R R R R L t (U , N ) P t (N ) P t (U , N ) > P t (U, N ) P t (N ) P t (U, N ) es decir 0 > PG R R R L G R L

y como 2t t (N ) > 0 entonces

t t t t t t 0 > 2tt (N ) PG (UR , N )PR (N ) PL (UR , N ) > 2tt (N ) PG (U, N )PR (N ) PL (U, N )

o lo que es lo mismo 0 > F t (UR , N ) > F t (U, N ) para todo U = UR As , si este proceso dura bastante tiempo puede llegar un instante t + t ( > 0) en el que

F t+t (UR , N ) > F t+t (U, N ) > 0 y 0 < B t+t (N ) < B t (N ) de las relaciones (4.1.2) y (4.1.3) concluimos que P t+t (UR , N ) > P t+t (U, N )

U = UR

(4.1.2)

(4.1.3)

U = UR

la relaci on (4.1.3) facilita el predominio del comportamiento social UR en el instante t + t o en un instante posterior si sigue la situaci on de crisis en el subsistema N . Explicamos ahora las condiciones que favorecen la disminuci on de la satisfacci on para todos los comportamientos sociales 4.2. Las Condiciones que Favorecen la Disminuci on de PG (U, N ) para todo U

Recordemos que PG (U, N ) = E (U ) (U, N ) E0 1 (U, N )

Observemos que la satisfacci on PG (U, N ) disminuye para todo U cuando disminuye la ecolog a (E < E0 ) o cuando se aumenta (U, N ) para todo U

90

En caso de degradaci on ecol ogica se disminuye la satisfacci on PG (U, N ) para todo U debido a la disminuci on del valor de E/E0 y al aumento del valor de (U, N ). Cuando se aumenta la represi on sufrida (U, N ) para todo U provoca la disminuci on del PG (U, N ) para todo U y si la referencia PR (N ) se adapta lentamente a la media de las satisfaciones (altos valores de Kr) puede llevar a una situacion de crisis que favorezca la posibilidad de la aparici on de un Efecto Revuelta sin necesidad de degradaci on ecol ogica. 4.3. Cu anto Puede Perdurar un Efecto Revuelta?

Las cuatro siguientes condiciones favorecen de forma adicional la duraci on de un Efecto Revuelta UR en un subsistema social N durante varios pasos de tiempo t = 5 1. Cuando F (U, N ) = 0 para todo U = UR 2. Cuando los subsistemas sociales vecinos de N est an predominados por alg un comportamiento social poco represivo, se han destruido o est an en un estado intermedio. 3. En ausencia de degradaci on ecol ogica o en proceso de recuperaci on de la misma. 4. Con valores intermedios de la resignaci on. Observemos que la primera condici on favorece la duraci on de UR por ausencia de comportamientos diferentes1 de UR , la segunda condici on hace que (UR , N ) no aumente de forma r apida y por lo tanto diculta la r apida disminuci on de PG (U, N ); la tercera condici on evita la posibilidad de la disminuci on de PG (U, N ) por motivos ecol ogicos. Y por u ltimo valores altos de resignaci on permiten la aparici on de Efecto Revuelta y valores bajos favorecen su duraci on. As , los valores ideales que favorecen la duraci on del Efecto Revuelta son los valores intermedios de Kr . En la gura siguiente aparece el B como Efecto Revuelta en el subsistema social N = 28 y perdura m as de 10 pasos completos de tiempo (1025 unidad de tiempo)
Este caso expresa la falta de sociodiversidad en el subsistema N , otro comportamiento social diferente de UR puede llegar a prodominar en N directamente despu es del UR s olo por difusi on
1

91

T=Tiempo, E=Ecologia, S=Numero de subsistemas activos T Majority Behavior in the Population(N from 0 to NP-1) E 0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200 2300 2400 2500 2600 2700 2800 2900 3000 3100 3200 3300 S

00000000000000000000000000000000000000000000000000 1.00 50 000000-0-000-00000000000000000000-0000-000-0000000 1.00 50 00-0001-10 -01000111 10100011110100 1111 101 1 1 1 1 1111 -1111 11111 1 1 1-1 11 11 11 11 11 -1 11 11 -11 111 11 -1 11 11 11 11 1 1 1 000000000-0000--0--00001-00100-0000 1.00 46 000-000010000-101100-01-001-0100-0 1.00 44 010000100001101-0010-1-01-01-010 1.00 44 100001-00011 110-10-11011011010 1.00 41 1 -001100-11 110--0--10110-1010 1.00 38 - 1 1 1 - 1 1 1 1 1 1 110--11 1101-0-110110-1010 1.00 36 1101111 11-110-1101101101 11 11-- 1111-0-110-101101 11 1111 -11110-110110-1-1 11 1111 -11110--10-1 1-11 11 1111 -1111 --1011 1111 1.00 36 1.00 35 1.00 35 1.00 35 1.00 34 1.00 36 1.00 37 1.00 39 1.00 39 1.00 40

1 1 --1111 - 1 1111-1 1 1 1-1-11 - 1 11-111 1 1-111111 1 11111111 1-11111111 1111111111111111111 11111-1111 1111111111 1111111-11 1111111111 1111111111 1111111111 1111111111 1111-11111111-11-11 1111-11111

--1 -11 1111 -1111 --1 1- 1111 111 111 11-1 -1111---1 1- -111

1 -111 -11 1111 -1111---1 11 1111 1 1111 111 1111 -1111-2-1 11 1111 1 -111-111 1111 -1111---1 11 -111

1-11111111 111- -111---2- 11 11-1- 1.00 41 -11111111- 1111 --11-2-2- 1- 11111 1.00 42 1111111111 1111 --11-2-22-1--11111 1.00 44 111111-111 1111 --11-2-22-1-11111- 1.00 44 111-1-1111 1111 -----2222-1--1111- 1.00 44 1-1-1111-1 1111 ----2222--1-111111 1.00 44

11 ---1-111111 -111-----2222-21-111111 1.00 46 11 11-111111-1 1111----222-2-2---11111 1.00 46 -1 11-1--11111 11-1---2222-2-22--11111 1.00 46 11 11-11111111 11-1-2-222222 22--11111 1.00 45

1111-11111 -11 11311111111 11---2-222222 22--1-11- 1.00 46 111--11111 11- 113-1111111 11--222222222 2-----111 1.00 46 111131-111 111 1-331111111 11-2222222222 2-----111 1.00 46 1111311111 111 -3331-11111 11-222222-2-2 2------11 1.00 46 111-3--111 111 -333-1111-1 1--222222-2-- 22------- 1.00 46 111-3-1111 113 3333-111111 1--2222-2-22- 2-------- 1.00 46

92

3400 3500 3600 3700 3800 3900 4000 4100 4200 4300 4400 4500 4600 4700 4800 4900 5000 5100 5200 5300 5400 5405 5410 5415 5420 5425 5430 5435 5440 5445 5450 5455 5460 5465 5470 5475

----3-111- 11- 3333--11111 ----222-2-22- 2-6------ 1.00 46 -------1-1 113 33333--1111 ----222-2-2---2-6------ 1.00 47 ---------1 1-3 3-333-311-1 ----222-222---2-6------ 1.00 47 ---------- 333 3-333331111 ----222-222-----6------ 1.00 47 ---------- 333 3-333333-11 ----222 2222----6------ 1.00 46 ---------- 3-3 3-333333-11 ---6222 2-22----6------ 1.00 46 ---------- --- 3-333333--- --- 222 2-22F---6------ 0.99 45 ---------- --- 3-333333--- --- 22- 2222 ---6------ 0.99 44 --------77 --- 37--33-3--- --- 2-- 2222 ---6------ 0.97 44 --------77 -7- -7--33----- --- 2-- -222 ---6------ 0.94 44 --------77 777 ----------- --- 2-- -22- ---6------ 0.87 44 --------77 777 7-7-------- --- 2-- -22- ---6------ 0.78 44 --7--7--77 777 777-7-7---- --- 2-- -22- ---6------ 0.66 44 --7--7-777 777 777-7-7-------- 2-- -22- ---6------ 0.54 45 --7 -7 777 77- 777-7 7 --7 7-7 7-7 -7 -7 F7 F7 F7 F7 F7 F7 F7 FFFFFFFFF7 7 77-77- 7 7 77-77 77 77 77 77 77 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 -7 77 7- 77- 77 7 7 7 - -7-- 27- --27 ---6------ 0.44 39 - - -- 2 - - -- 2 - - F- 2 7 - - - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - F F F F F F F F F F F F F - - - 3F- 6 --- - 0.39 28 - 6 6-- - 0.44 24 - 6 66- - 0.52 20 - 6 66- - 0.66 17 - 6 66- 6 66- 6 66- 6 66- 6 66- 6 66- 6 66- 6 66- 6 66- - 66- - 66- - 66- - 66- - 66- - 66- - 66- - 660.84 16 1.00 15 1.00 15 1.00 15 1.00 15 1.00 16 1.00 16 1.00 16 1.00 16 1.00 16 1.00 17 1.00 17 1.00 17 1.00 18 1.00 18 1.00 18 1.00 18

F - -- F - -- F - -- F - -- -

93

5480 5485 5490 5495 5500 5505 5510 5515 5520 5525 5530 5535 5540 5545 5550 5555 5560 5565 5570 5575 5580 5585 5590 5595 5600 5605 5610 5615 5620 5625 5630 5635 5640 5645 5650 5655

FFFFFFFFFFFFFFFF7 F7 F7 F7 F7 F7 F7 F7 F7 F7 F7 F7 F7 -7 -7 -7 -7 -7 -7 -7 -7

7- 77- 77- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7- 7-7 7- 7-7 77 7-7 77 7-7 77 7-7 77 777 77 777 77 77777 777-77 777-77 777-77 777-77 777-77 777-77 777-77 777--

- B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B

F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- -

- - 66- - 66- - 66- - 66- - 66F - 66F - 66F - 66F - 66F - 66F - 66F - 66F - 66F - 66F - 66F - 66F - 66F - 66F - 66F - 66F - -6F - -6F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6--

1.00 18 1.00 18 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 19 1.00 20 1.00 20 1.00 20 1.00 20 1.00 21 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22

94

5660 5665 5670 5675 5680 5685 5690 5695 5700 5705 5710 5715 5720 5725 5730 5735 5740 5745 5750 5755 5760 5765 5770 5775 5780 5785 5790 5795 5800 5805 5810 5815 5820 5825 5830 5835

-7 -7 -7 -7 -7 -7 -7 -7 -7 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77

77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 777-7 77 -77-7 77 -77-7 77 -77-7 77 -77-7 77 -77-7 77 -77-7 77 -77-7 77 777-7 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777

- B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B

F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F - -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- F F -- -

F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F - -6-F F -6-F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F ---F F F--F F F---

1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22 1.00 22

95

5840 5845 5850 5855 5860 5865 5870 5875 5880 5885 5890 5895 5900 5905 5910 5915 5920 5925 5930 5935 5940 5945 5950 5955 5960 5965 5970 5975 5980 5985 5990 5995 6000 6005 6010 6015

77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77

77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77-77 77 77-77 77 77-77 77 77-77 77 77-77 77 77-77 77 77-77 77 7-777 -7 7-777 -7 7-777 -7 7-777 -7 7-777 -7 7-777 -7 7-777 77 7-777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 77777

- B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B - B F B F B F B F B F B F B F B F B

F F -- F F -- - F F -- - F F--- - F F--- - F F--- - F F--- - F F--- - F F--- - F F--- --F F--- F-F F--- F-F F--- F-F F--- F-F F--- F-F F--- F-F F--- F-F F--- F-F F--- F-F F--- F-F F--- F-F F--- F-F-F--- F-F-F--- F-F-F--- F-F-F--- F-F-F-F- F-F-F-F- F-F-F-F- F-F-F-F- F-F-F-F- F-F-F-F- F-F-F-F- F-F F-F-F- FFF F-F-F- FFF F-F-F- FFF

F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F F--F F FF--

1.00 22 1.00 23 1.00 23 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 24 1.00 25 1.00 25 1.00 25 1.00 25 1.00 25 1.00 25 1.00 25 1.00 25 1.00 25 1.00 25 1.00 25 1.00 25 1.00 25 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26

96

6020 6025 6030 6035 6040 6045 6050 6055 6060 6065 6070 6075 6080 6085 6090 6095 6100 6105 6110 6115 6120 6125 6130 6135 6140 6145 6150 6155 6160 6165 6170 6175 6180 6185 6190 6195

77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77 77

77 77777 77 77777 77 77777 77 77777 77 77777 77 77777 77 7777777 7777777 7777777 777-777 777-777 777-777 777-777 777-777 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 777-77 77 77--77 77 77--77 77 77--77 77 77--77 77 7---77 77 7---77 77 7-7777

F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B

F-F-F- FFF F-F-F- FFF F-F-F- FFF F-F-F- FFF F-F-F- FFF F-F-F- FFF F-F-F- FFF F-F-F- FFF F-F-F- FFF F-F-F- FFF F-F-F- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF

F F FF-F F FF-F F FF-F F FF-F F FF-F F FF-F F FF-F F FF-F F FF-7 F F FF-7 F F FF-7 F F FF-7 F F FF-7 F F FF-7 F F FF-7 F F FF-7 F F FF-7 F F FF-7 F F FF-7 F F FF-7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF7 F F FFF-

1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 26 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27

97

6200 6205 6210 6215 6220 6225 6230 6235 6240 6245 6250 6255 6260 6265 6270 6275 6280 6285 6290 6295 6300 6305 6310 6315 6320 6325 6330 6335 6340 6345 6350 6355 6360 6365 6370 6375

77 77 77 77 77 7777777777777777777777777777777-

77 7-7777 77 7-7777 77 7-7777 77 777777 77 777777 77 777777 77 -77777 77 -77777 77 -77777 77 -77777 77 -77777 77 -77777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 7- 777777 7- 777777 7- 7777-7 7- 7777-7 7- 7777-7 7- 7777-7 77 7777-7 77 7777-7 77 7777-7

F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B F B

F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFF- FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF

F F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF

1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27

98

6380 6385 6390 6395 6400 6405 6410 6415 6420 6425 6430 6530 6630 6730 6830 6930 7030 7130 7230 7330 7430 7530 7630 7730 7830 7930 8030 8130 8230 8330 8430 8530 8630 8730 8830 8930

77777777777FFFFF FF FF FF FF FF FF FF FF FF FF FF FFFF FF FF -F -F FF FF FF

77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 777777 77 77777777 77777777 7777777 77 7777777 77 77777-7 77 77777-7 77 7777777 77 7777777 77 7777777 77 7777777 77 7777777 77 7777777 77 7777777 77 7777777 77 7777-77 -7 7777-7-7 7777-7F- -777F7F- -777F7F FF F77-F7F FF F77-F-F FF F77-F-F FF F77-F-F FF F77FFFF FF F7-FFFF

F B F B F B F B F B F B F B F B F B F B F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F

F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF F-FFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFFF FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF

F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F FFF- F FFF- F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF

1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 27 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28 1.00 28

99

9030 9130 9230 9330 9430 9530 9630 9730 9830 9930 10030 10130 10230 10330 10430 10530 10630 10730 10830 10930 11030

FF FF FF FF FF FF FF FF FF FF FF FFFF FF FF FF FF FF FF FF

FF F7FFFFF FF F7FFFFF FF F7FFFFF FF F7FFFFF F- F7FFFFF -F F7FFFFFF F-FFFFFF FFFFFFF FF FFFFFFF FF FFFFFFF FF FFFFFFF FF FFFFFFF FF FFFFF-F FF FFFFF-F FF FFFFFFF FF FFFFFFF FF FFFFFFF FF FFFF-FF FF FFFFFFF FF FF-FFFF F- FFFFFFF F F F F F F F F F F F F F F F F F F

F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F F - F - F F F F F F F

FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFFFF- FFF FFF-F- FFF FFF--- FFF FFF--- FFFFFFF- FFFFFFF- FFFFFFF- FFFFFFF- FFF FFFFF- FFF FFFFF- -FF

F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F F FFFF F - FFFF F - FFFF F F -FFF F F -FFF - F FFFF - F F-FF F F F-FF F F FFFF F F FFFF F F FF-F F F FF-F F F FFFF F F FFFF F F FFFF F FFF-

1.00 28 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29 1.00 29

Figura 4.1: Un ejemplo de una evoluci on dual con Efecto Revuelta casi estable en un subsistema social

Observamos que algunas de las condiciones que favorecen la duraci on del Efecto Revuelta se han cumplido en el ejemplo de la Figura 4.1: primero, las condiciones que han favorecido on ecol ogica) en el tiempo T = 5400 han desaparecido al cabo de la aprici on del B (degradaci su aparici on; adem as, los subsistemas sociales vecinos est an destruidos, est an en un estado intermedio o est an predominados con el comportamiento social F (poco represivo). En el tiempo T = 6430 el comportamiento social B deja el predominio del subsistema social on. N = 28 por el comportamiento F por difusi

100

4.4.

Clasicaci on del Efecto Revuelta Seg un las Evoluciones

En esta secci on nos limitamos a estudiar el n umero de ocurrencias de cada uno de los efectos revuelta detectados en las distintas evoluciones de la categor a2 2.

N umero de ocurrencias de cada uno de los efectos revuelta en cada clase de evoluciones de la categor a 2 Efecto Revuelta U=4 U=5 U=8 U=9 U=A U=B U=C U=D Total N umero de evoluciones en cada clase 4974 3609 900 2997 599 652 412 Fase I.2 499 842 120 114 11 226 205 16 2033 Clase I.2 388 613 94 96 11 187 178 15 1582 Clase II.2 66 183 20 9 0 7 10 0 295 Subclase I.a.2 319 526 82 78 9 152 132 13 1311 Subclase I.b.2 66 85 12 17 2 34 46 2 264 Subclase I.c.2 56 140 17 7 0 5 7 0 232 Clase III.2 40 39 4 9 0 25 11 1 129

Tabla.4.2 N umero de efectos revuelta en cada clase de evoluciones

Observamos que en todas las evoluciones y para todos los comportamientos sociales de la categor a 2 se detectan Efectos Revuelta. En la gura siguiente podemos ver con m as claridad los comportamientos an omalos con m as frecuencia de aparici on en cada evoluci on

V ease cap tulo 3

101

Figura 4.2: N umero de ocurrencias de cada comportamiento an omalo en cada clase de la categor a 2

En todas las clases la mayor a de efectos revuelta se producen con U = 5 y con U =B (sociedad super-represiva). Ello es coherente con las caracter sticas de estos comportamientos sociales, con altas posibilidades t ecnicas de satisfacci on y altas capacidades represivas3 entre los comportamientos an omalos correspondiente a m = 3 y m = 4 respectivamente.

4.5.

Efecto Revuelta y Ecolog a

Estudiamos la ocurrencia del Efecto Revuelta en funci on de la ecolog a en la Fase I.2 (Ra z de todas la evoluciones duales simples)

V ease las tablas: Tabla.2.1 y Tabla.2.2

102

Efecto Revuelta U=4 U=5 U=8 U=9 U=A U=B U=C U=D N umero de efectos revueltas en la Fase I.2

E/E0 < 1 130 809 98 101 11 219 193 16

E/E0 = 1 369 33 22 13 0 7 12 0

1577

456

Tabla.4.3 N umero de efectos con y sin degradaci on eco ogica

Los resultados de la tabla.4.3 eran previsibles, dado que la degradaci on ecol ogica favorece la situaci on de crisis. As , hemos encontrado un gran n umero de Efectos Revuelta cuando E/E0 < 1 en comparaci on con condiciones ecol ogicas ideales E/E0 = 1 para todos los comportamientos an omalos superiores o igual a 5. Podemos explicar la aparici on del comportamiento social U = 4 con m as ocurrencia en condiciones ecol ogicas ideales por su temprana aparici on con un bajo desarrollo tecnol ogico

4.6.

Distribuci on Geogr aca (Este/Oeste) del Efecto Revuelta

Hemos ejecutado nuestro modelo 1350 veces con

(Ka , Kr , Ke ) {15, 20, , 80}2 {3, 4, , 8}

N umero de cheros de la Fase I.2 es 676

103

Zona Occidental Efecto Revuelta N umero de ocurencias del Efecto Revuelta U =4 U =5 U =8 U =9 U =A U =B U =C U =D Total 3 49 3 4 3 21 0 0 83 5 5,71 5 5 8,33 5 0 0 4,255 Duraci on media

Zona Oriental N umero de ocurencias del Efecto Revuelta 56 84 20 20 4 25 20 5 234 15,17 7,79 8,75 8,75 6,42 46,2 5,52 5 12,95 Duraci on media

Tabla.4.4 Distribuci on geogr aca del Efecto Revuelta y su duraci on media

Observamos que se detectan 83 Efectos revuelta en la zona occidental de 676 procesos (evoluciones) con una duraci on media igual a 4,255. La mayor a de revueltas(casi 60 % ) se producen con U = 5 y muchos (casi 24 %) se producen con U = B (sociedad superrepresiva). Mientras que en la zona oriental se detectan 234 efectos revuelta de 676 procesos con una duraci on media igual a 12,95. Tambi en observamos que los comportamientos sociales U = 5 y U =B son los que m as producen Efecto Revuelta en sus dimensiones. Nos llama la atenci on en la Tabla.4.3 la gran diferencia en cuanto a n umero de ocurrencias de los efectos revuelta y su duraci on media total entre las zonas occidental y oriental. 4.7. Inuencia de Algunos Par ametros en la Aparici on de Efecto Revuelta

Los distintos comportamientos an omalos que emergen para distintos valores de Ka , Kr y Ke est an representados en las guras 4.2, 4.3 y 4.4 respectivamente. Mediante el REGINT hemos aproximado las distribuciones de probabilidades p1 , p2 y p3 de la inuenon del Efecto Revuelta en la Fase I.2 cia de Ka , Kr y Ke respectivamente en la aparici (categor a2). La evaluaci on de p1 nos da p1 = 0,346286 0,199156 0,160534 exp(0,1Ka ) Ka

104

con el coeciente de correlaci on R1 = 0,947225

0.35

0.3

0.25

0.2 p1 0.15 0.1 0.05 0 0

10

20

30

40

50 Ka

60

70

80

90

100

Figura 4.3: distribuci on de la probabilidad de la parici on del Efecto Revuelta en funci on de Ka

Observamos que altos valores de Ka (lenta adaptaci on a la represi on) favorecen la aparici on de efectos revuelta con una probabilidad m axima pr oxima a 0,35 Nuevamente, La evaluaci on de p2 nos da p2 = 0,334891 con el coeciente de correlaci on R2 = 0,819891 0,282806 Kr

105

0.35

0.3

0.25

p2

0.2

0.15

0.1

0.05 0

10

20

30

40

50 Kr

60

70

80

90

100

Figura 4.4: distribuci on de la probabilidad de la parici on del Efecto Revuelta en funci on de Kr

Como vemos, altos valores de Kr (lenta adaptaci on a la resignaci on) favorecen la aparici on de efectos revuelta con una probabilidad m axima pr oxima a 0,35 Por u ltimo, La evaluaci on de p3 nos da p3 = 0,234682 0,053817 log(Ke ) con el coeciente de correlaci on R3 = 0,978275

106

0.36

0.34

0.32

0.3 p3 0.28 0.26 0.24 0.22 1

5 Ke

Figura 4.5: distribuci on de la probabilidad de la parici on del Efecto Revuelta en funci on de Ke

Como se puede observar en la Figura.4.5, altos valores de Ke (lenta adaptaci on ecol ogica) favorecen la aparici on de efectos revuelta, pero con poca diferencia de sus valores bajos.

4.8.

Conclusiones y Posibles Interpretaciones

El Efecto Revuelta podr a proporcionar unas explicaciones satisfactorias para reg menes de corta duraci on como el nazismo en Alemania (aproximadamente 11 a nos), el fascismo en Italia, quiz a el franquismo en Espa na... Por otro lado, hemos explicado los fundamentos te oricos de la aparici on del Efecto Revuelta. Y con estudios estad sticos hemos encontrado: Una mayor a de efectos revuelta se producen con U = 5 y con U =B en todas las clases de la categor a 2 (evoluciones que parten de una dualidad simple). Ello es coherente con las caracter sticas de estos comportamientos sociales, con posibilidades t ecnicas de satisfacci on y capacidades represivas relativamente altas entre los comportamientos an omalos correspondiente a m = 3 y m = 4 respectivamente.

107

Un gran n umero de efectos revuelta se detecta cuando E/E0 < 1 en comparaci on con condiciones ecol ogicas ideales E/E0 = 1 para todos los comportamientos an omalos superiores o igual a 5. Este resultado era previsible, dado que la degradaci on ecol ogica favorer a la situaci on de crisis. Mientras que hemos explicado la apariencia del comportamiento social U = 4 con m as ocurrencia en condiciones ecol ogicas ideales por su temprana aparici on con un bajo desarrollo tecnol ogico. Altos valores de Ke (lenta adaptaci on ecol ogica) favorecen la aparici on de efectos revuelta. Esperable por la degradaci on ecol ogica. Menos efectos revuelta se detectan en la zona occidental y con menos duraci on media en comparaci on con la zona oriental. Pediente de explicaci on y de contrastaci on hist orica. Altos valores de Ka (lenta adaptaci on a la represi on) favorecen la aparici on de efectos revuelta con una probabilidad m axima pr oxima a 0,35. Esperable por una mayor represi on. Altos valores de Kr (lenta adaptaci on a la resignaci on) favorecen la aparici on de efectos revuelta con una probabilidad m axima pr oxima a 0,35. Es coherente con lo que hemos explicado en la secci on 4.1. En algunos pocos casos, un comportamiento previamente m as probable predomina en un subsistema social despu es del predominio de un Efecto Revuelta sin que llegue el subsistema a destruirse.

108

BIBLIOGRAF IA
[1] Nemiche M and Pla-L opez R (2000) A Model of Dual Evolution of the Humanity. in 2nd International Conference on Sociocybernetics, Panticosa, 25-30 juny (2000). [2] Nemiche M and Pla-L opez R (2002) A Learning Model for the Dual Evolution of Human Social Behaviors. Kybernetes: The International Journal of Systems and Cybernetics (in press). [3] Castellar-Bus o V (1998), un model sist` emic d evoluci o social sostenible Tesis Universitat de Val` encia. [4] Pla-L opez R and Castellar-Bus o V, Model of Historical-Geographical Evolution en R. Trappl ed., Cybernetics and Systems94, World Scientic, vol. I, 1.049-1.056, Singapore (1994). [5] Pla-L opez R Cu anto Puede Perdurar una Revuelta?, I Reuni on Espa nola de Ciencias de Sistemas, Val` encia, Ab. 17-19 (1996). [6] Harich W Comunismo sin Crecimiento, Editorial Materiales, Barcelona(1978). [7] Caselles A, (1998) Regint: A Tool for Discovery by Complex Function Fitting.(ed.) Cybernetics and Systems98. Austrian Society for Cybernetic Studies. Vienna, pp 787-792.

109

Cap tulo 5 DEL CONSUMO EVOLUCION

En este cap tulo pretendemos estudiar la evoluci on del consumo1 en represi on y en satisfacci on de algunos comportamientos sociales en tres grandes tipos de evoluciones: Tipo I: aparece una globalizaci on capitalista despu es de una dualidad completa sin que se supere ni llegar a la hecatombe ecol ogica. Tipo II: Una dualidad completa que se globaliza con una sociedad cient ca libre sin que pase por la globalizaci on capitalista. Tipo III: se supera la globalizaci on capitalista despu es de una dualidad completa con una sociedad cient ca libre. Llamaremos K1 [U ] = E E0 (U ) (U, N ) P (U, N )
N Et E0

al consumo en satisfaci on de U

K t+t [U ] = 2 K o [U ] = 0
2 E E0

stst (U, N )P t (U, N ) al consumo en represi on de U

Hemos estudiado las caracter sticas comunes de las trayectorias de K1 [U ], de K2 [U ] y de en cada tipo: Evoluci on del Consumo en el Tipo I

5.1.

Despu es de estudiar las caracter sticas comunes del consumo en represi on, y satisfacci on de los comportamientos 6 = (0, 1, 1, 0), 7 = (0, 1, 1, 1) y F = (1, 1, 1, 1) en este tipo hemos encontrado:
En este trabajo no representamos el consumo en reciclaje porque es muy peque no en comparaci on con el consumo en satisfacci on y represi on
1

110

30

25

20 Consumo

15

10

Ecologia relativa Consumo en satisfacion del 6 Consumo en represion del 6 Consumo en satisfacion del 7 Consumo en represion del 7

0 0

5000 Tiempo

10000

15000

3.5

2.5 Consumo Ecologia relativa Consumo en Satisfaccion de F Consumo en represion de F

1.5

0.5

0 0

5000 Tiempo

10000

15000

Figura 5.1: Evoluci on del consumo en evoluciones del tipo I

Crecimiento exponencial del consumo en satisfacci on y represi on del socialismo real (6 = (0, 1, 1, 0)) y el capitalismo (7 = (0, 1, 1, 1)) entre el instante Tdim en el que por primera vez se aumenta la dimensi on de un subsistema social a 3 y el instante Tec en el que por primera vez
E E0

< 1.

Decrece el consumo en satisfacci on y represi on del socialismo real (6 = (0, 1, 1, 0)) y

111

el capitalismo (7 = (0, 1, 1, 1)) entre los instantes Tec y Tecmin (el instante en el que la ecolog a alcanza su m nimo por primera vez). Entre Tecmin y Tec=1 (el instante en que la ecolog a se recupera totalmente por primera vez) se recupera el consumo de 6 = (0, 1, 1, 0) y de 7 = (0, 1, 1, 1) en satisfacci on y represi on. Entre Tec=1 y Tf inal decrece r apidamente el consumo en satisfacci on y represi on de 6 = (0, 1, 1, 0), por el contrario el consumo de 7 = (0, 1, 1, 1) sigue aumentado de forma exponencial y despu es evoluciona con oscilaciones aparentemente sinusoidales que pueden expresar las crisis en el sistema capitalista Por otra parte el consumo en represi on del capitalismo en esta clase es mayor que en satisfacci on. El consumo de F = (1, 1, 1, 1) (sociedad cient ca libre) en satisfacci on crece lentamente y muy por debajo del consumo de 7 = (0, 1, 1, 1) y despu es evoluciona decreciendo mientras su consumo en represi on es casi nulo. El consumo en represi on de 6 = (0, 1, 1, 0) y 7 = (0, 1, 1, 1) es mayor que en satisfacci on.

5.2.

Evoluci on del Consumo en el Tipo II

Despu es de estudiar las caracter sticas comunes del consumo en represi on, y satisfacci on de los comportamientos 6 = (0, 1, 1, 0), 7 = (0, 1, 1, 1) y F = (1, 1, 1, 1) en este tipo hemos encontrado:

112

14 Ecologia relativa Consumo en satisfacion del 6 Consumo en represion del 6 Consumo en satisfacion del 7 Consumo en represion del 7

12

10

Consumo

0 0
20 18 16 14 12 Consumo 10 8 6 4 2 0 0

5000 Tiempo

10000

15000

Ecologia relativa Consumo en Satisfaccion de F Consumo en represion de F

5000 Tiempo

10000

15000

Figura 5.2: Evoluci on del consumo en evoluciones del tipo II

Entre los instantes Tdim y Tec=1 tienen casi las mismas caracter sticas anterioramente se naladas pero a partir del instante Tec=1 esta vez tambi en el consumo de 7 = (0, 1, 1, 1) decrece aunque de forma m as lenta que el del 6 = (0, 1, 1, 0), mientras aumenta el consumo de F = (1, 1, 1, 1) en satisfacci on.

A partir de instante Tec=1 El consumo de 7 = (0, 1, 1, 1) en satisfacci on es mayor que

113

en represi on. Entre los instantes Tec y Tecmin el consumo de F = (1, 1, 1, 1) (sociedad cient ca libre) en satisfacci on decrece, pero a partir del instante Tecmin crece de forma exponencial. El consumo de F = (1, 1, 1, 1) en represi on es casi nulo. A partir del instante Tsati (el tiempo en que el consumo en satisfacci on de (0, 1, 1, 1) = 7 es mayor que en represi on) el consumo en satisfacci on de 6 = (0, 1, 1, 0) y de 7 = (0, 1, 1, 1) es mayor que en represi on.

5.3.

Evoluci on del Consumo en el Tipo III

Despu es de estudiar las caracter sticas comunes del consumo en represi on, y satisfacci on de los comportamientos 6 = (0, 1, 1, 0) ,7 = (0, 1, 1, 1) y F = (1, 1, 1, 1) en este tipo hemos encontrado:

114

25

20

15 Consumo 10 Ecologia relativa Consumo en satisfacion del 6 Consumo en represion del 6 Consumo en satisfacion del 7 Consumo en represion del 7 5 0 0

5000 Tiempo
25

10000

15000

20

15 Consumo Ecologia relativa Consumo en Satisfaccion de F Consumo en represion de F

10

0 0

5000 Tiempo

10000

15000

Figura 5.3: Evoluci on del consumo en evoluciones del tipo III

Entre los instantes Tdim y Tec reviste casi las mismas caracter sticas que en el tipo anterior.

A partir del instante Tsati el consumo en satisfacci on de 6 = (0, 1, 1, 0) y 7 = (0, 1, 1, 1) es mayor que en represi on.

115

Decrece el consumo en satisfacci on y represi on de 7 = (0, 1, 1, 1) despu es de alcanzar su m aximo pero de forma m as lenta que en la clase anterior. El consumo en satisfacci on de F = (1, 1, 1, 1) (sociedad cient ca libre) crece r apidamente, mientras que su consumo en represi on es casi nulo.

5.4.

Conclusiones

Despu es de analizar los tres tipos concluimos que: la degradaci on ecol ogica aparece con la dimensi on m = 3, caracter stica del industrialismo. cuando el capitalismo reduce su consumo en represi on por debajo de su consumo en satisfacci on facilita la aparici on de una sociedad cient ca libre. En los tres tipos el consumo en represi on del F es muy peque no (casi nulo), de modo que la superaci on de la dualidad o la globalizaci on capitalista con una globalizaci on Cient ca Libre en ning un caso se alcanza mediante la represi on. La globalizaci on capitalista se alcanza por represi on de parte del capitalismo y para que se mantenga se aumenta el consumo en represi on por encima de la satisfacci on, lo que muestra el car acter represivo de dicho comportamiento social. La globalizaci on capitalista resulta ser as una globalizaci on con m ultiples efectos negativos, basada en la represi on, mientras que la globalizaci on con una sociedad cient ca libre se basa en la satisfacci on. Bajo algunas condiciones parece que en los tipos II y III el capitalismo puede llegar a su terminaci on y el resultado futuro de su transformaci on sea la globalizaci on con una sociedad cient ca libre.

116

BIBLIOGRAF IA
[1] Nemiche M and Pla-L opez R (2002) A Learning Model for the Dual Evolution of Human Social Behaviors. Kybernetes: The International Journal of Systems and Cybernetics (in press). [2] Nemiche M and Pla-L opez R (2000) A Model of Dual Evolution of the Humanity. in 2nd International Conference on Sociocybernetics, Panticosa, 25-30 juny (2000). o V (1998), un model sist` emic d evoluci o social sostenible Tesis Uni[3] Castellar-Bus versitat de Val` encia. [4] Pla-L opez R and Vicent Castellar-Bus o, Model of Historical-Geographical Evolution en R. Trappl ed., Cybernetics and Systems94, World Scientic, vol. I, 1.0491.056, Singapore (1994). [5] David Goldblatt, Teoria Social e Ambiente Revista THEOMAI 2001. [6] Antxon Mendizabal and sagra lopez, Algunos aspectos del desarrollo capitalista actual, Publicado en Aldarika: observando de cerca al enemigo. Dosier FMI,BM, GATT. Seminario Erandio 1,2,3 julio 1994, pp 3-17. [7] Carlos Antonio A R, Para una cr tica del concepto de Globalizaci on Revista THEOMAI 2000.

117

Cap tulo 6 Y CUESTIONES PERSPECTIVAS FUTURAS DE INVESTIGACION ABIERTAS

6.1. Validaci on Cuantitativa

El modelo simula de forma cualitativa la evoluci on social dual permitiendo dilucidar tendencias en la evoluci on que indiquen consecuencias plausibles de determinadas actitudes. Una validaci on cuantitativa de tipo experimental respecto al tiempo requiere abordar las siguientes dicultades: 1. el modelo incluye generadores de n umeros aleatorios (modelo probabil stico), lo que signica la obtenci on de resultados diferentes en cada lanzamiento del modelo, y las evoluciones obtenidas son poco validadas respecto a la evoluci on real de la humanidad. 2. Los u nicos datos con los que podemos validar el modelo son esquemas hist oricos que est an sujetos a muchas interpretaciones en cuanto al tiempo que duraba cada comportamiento social. 3. el modelo es bastante abstracto por lo que resulta dicil saber qu e datos podr an usarse para su validaci on cuantitativa. 4. el modelo requiere un nivel de desagregaci on m as alto de algunas relaciones.

6.2.

Dualidad Sur/Norte

Con nuestro modelo hemos conseguido una representaci on satisfactoria de la evoluci on social y su diversidad en el eje Este/Oeste. pero no representa la diversidad entre un Norte rico y un Sur pobre. Para ello deberemos partir de una poblaci on de subsistemas sociales

118

repartidos sobre la supercie de una esfera (bidimensional) en vez de un c rculo. As se reformular an las relaciones del modelo de forma m as compleja y con m as coste de computaci on. 6.3. Solidaridad Global ante la Represi on

Recordamos que la adaptatividad de la represi on en nuestro modelo es local, de modo que en cada subsistema la capacidad represiva de cada comportamiento tiende a adaptarse u nicamente a la represi on sufrida por dicho comportamiento en el mismo subsistema. Ahora bien, la acci on que produjo el derribo de las Torres Gemelas ha tenido como caracter stica singular el haber sido una agresi on local con efectos inmediatamente globales. Ello hace que no pueda ser descrita adecuadamente por nuestro modelo. En este, en efecto, se trabaja con subsistemas que pueden representar comunidades locales o nacionales de una magnitud comparable, de modo que la respuesta solidaria frente a la represi on s olo se produce en el seno del mismo subsistema. Si aplic aramos nuestro modelo al derribo de las Torres Gemelas, cuyos efectos destructivos se produjeron en Manhattan dentro de la ciudad de New York, podr a explicar la generaci on de una voluntad de respuesta militar entre la ciudadan a de New York o como mucho de los EE.UU. (que sufrieron tambi en la agresi on contra el Pent agono en la ciudad de Washington), pero en modo alguno la oleada de reacciones de signo b elico en todo el mundo, o por lo menos en el conjunto de lo que se considera como Occidente: aunque en casos como el de Pakist an su alineamiento con los EE.UU. puede haber estado motivado por el temor a sus represalias en caso contrario, en muchos otros casos, especialmente en los pa ses occidentales, la agresi on sufrida por la ciudadan a de New York se sinti o como propia, moviendo a una reacci on solidaria frente a ella. A tal efecto, hemos modicado nuestro modelo modelando este proceso. En la II Reuni on Espa nola de Ciencia de Sistemas (RECS-II), Val` encia, 12-14 Junio 2002 hemos presentado una nueva versi on del modelo al que llamamos Un modelo de solidaridad global ante la represi on, y que est a pediente de un estudio m as detallado de su aplicaci on.

119

BIBLIOGRAF IA
[1] Nemiche M and Pla-L opez R (2000) A Model of Dual Evolution of the Humanity. in 2nd International Conference on Sociocybernetics, Panticosa, 25-30 juny (2000). [2] Nemiche M and Pla-L opez R (2002) A Learning Model for the Dual Evolution of Human Social Behaviors. Kybernetes: The International Journal of Systems and Cybernetics (in press). [3] Pla-L opez R and Nemiche M (2002) Consecuencias del ataque a las Torres Gemelas para la evoluci on de la humanidad. II Reuni on Espa nola de Ciencia de Sistemas (RECS-II), Val` encia, 12-14 Junio 2002. [4] Nemiche M and Caselles A and Lucas I L and Quintero L A and EL Kharraz J(2002) A Systemic Model to Simulate the Training and Employment in LA COMA. Revista Internacional de Sistemas (in press). [5] Quintero L A, Isaac D R, Garrido F G, Nemiche M (2000) Elementos Conceptuales para un Modelo de Usos y Potencialidades del Suelo, Mediante Simulaci on por A utomatas Celulares. Revista Internacional de Sistemas Vol 10, pp 12-19. [6] Nigel Gilbert and Klaus Troitzsch G. (1998), Simulation for the Social Scientist. ISBN 0 335 19744 2 by Open University Press. [7] Pla-L opez R and Vicent Castellar-Bus o, Model of Historical-Geographical Evolution en R. Trappl ed., Cybernetics and Systems94, World Scientic, vol. I, 1.0491.056, Singapore (1994).

120

Ap endice A CODIGO DEL MODELO EN LENGUAJE C

#include <time.h> #include <stdio.h> #include <math.h>

#define mx0 1 #define U0 #define mm 0 4

/* dimensi inicial */ /*valor inicial*/ /* cota superior per a la dimensi mxima */ /* cota superior per a lestat mxim=(1<<mm)-1*/ /* 1<<(mm-1)-1 */ /* Poblaci */

#define MM 15 #define FRS 7 #define NP 50

#define Dat #define Out

"med_.dat" "med_.out"

#define Tau "med_.tau" #define Out_ "%s.out" #define Tau_ "%s.tau"

char imprmx,neonat[NP],peek(),fora,novatau=0; char fnom[35],cap[31],estat[300],moments[300],fila[300],cr[2]; char taufila[MM+7][124]; int mx,m[NP],MXz,Mz[NP],NM,S; int tanatos=20000,progres=10000; int Ka,Kr,Ke,Qc,Ce,MOH; int mKa,mKr,mKe,mQc,mCe,mMOH,MaKa,MaKr,MaKe; int MaQc,MaCe,MaMOH,dKa,dKr,dKe,dQc,dCe,dMOH; int actlMaxU[MM+1],MaxU[MM+1],actlDom[MM+1],MaxDom[MM+1],Smin; long int T,Ti,dT,F[MM+1][NP],B[NP]; float ntl[NP],natal[NP],P[MM+1][NP],PI0[MM+1],PI[MM+1][NP]; float st[MM+1],gas[MM+1],gar[MM+1],rga[MM+1],rs[MM+1],em[MM+1], float EMz[NP],a[NP],bz[NP]; float sts[MM+1][NP],ferocitat[MM+1],PR[NP],SR[NP]; float PR0[mm+1],SR0[mm+1],PG[MM+1][NP],acti[NP],PGM,SPG,mG,sG,mU, float sU,rGU; float aT[NP],Tr[NP],eT[NP]; float gs,gr,rg; float imp(int,int,int); float ec0=2*NP,ec,cl,rl,roI,ro[MM+1][NP]; float ecmin,mGMax,mGmin,rGUmin; FILE *df,*pf,*rf,*tf,*uf; main() {void

121

exit(); char fnomdades[35]; sprintf(cr," "); printf("%10s*** Programa MED_ en execuci... ***\n"," ");

sprintf(fnomdades,Dat); if((df=fopen(fnomdades,"rb, recfm=f, lrecl=80"))==NULL) {printf("IMPOSSIBLE OBRIR EL FITXER DE LECTURA MEd_ DAT\n"); exit(0);} fscanf(df,"%d",&mKa); fscanf(df,"%d",&MaKa); fscanf(df,"%d",&dKa); fscanf(df,"%d",&mKr); fscanf(df,"%d",&MaKr); fscanf(df,"%d",&dKr); fscanf(df,"%d",&mKe); fscanf(df,"%d",&MaKe); fscanf(df,"%d",&dKe); fscanf(df,"%d",&mCe); fscanf(df,"%d",&MaCe); fscanf(df,"%d",&dCe); fscanf(df,"%d",&mQc); fscanf(df,"%d",&MaQc); fscanf(df,"%d",&dQc); fscanf(df,"%d",&mMOH); fscanf(df,"%d",&MaMOH); fscanf(df,"%d",&dMOH); fscanf(df,"%ld",&Ti); fclose(df); for(Qc=mQc;Qc<=MaQc;Qc+=dQc) for(Ce=mCe;Ce<=MaCe;Ce+=dCe) for(Ke=mKe;Ke<=MaKe;Ke+=dKe) for(Kr=mKr;Kr<=MaKr;Kr+=dKr) for(Ka=mKa;Ka<=MaKa;Ka+=dKa) for(MOH=mMOH;MOH<=MaMOH;MOH+=dMOH) mas(); fclose(tf); copiTAU(); printf("*** } /* main */ mas() { inici(); valors(); estadistica(); iteracio(); } /* mas */ inici() {void srand(),exit(); time_t time(); char fnomtipus[35]; int N,U; short int i; srand((unsigned int)time(NULL)/2); sprintf(fnom,"%lx",time(NULL)); sprintf(fnomtipus,Out); if((pf=fopen(fnomtipus,"wb, recfm=v, lrecl=32756"))==NULL) {printf("IMPOSSIBLE OBRIR EL FITXER DESCRIPTURA MEd_ OUT"); TERMINACI ADEQUADA. ***\n"); exit(0);

122

exit(0);} if(novatau==0) {sprintf(fnomtipus,Tau); if((tf=fopen(fnomtipus,"wb, recfm=v, lrecl=32756"))==NULL) {printf("IMPOSSIBLE OBRIR EL FITXER DESCRIPTURA MEd_ TAU"); exit(0);} } novatau=1; fora=0; T=0; dT=100; mx=mx0; imprmx=1; MXz=(1<<mx)-1; ec=ec0; cl=.01*Qc; rl=0; roI=0; gs=gr=rg=0; S=NP; ecmin=ec0; mGMax=0; mGmin=1; rGUmin=1; for(U=0;U<=MM;U++) {MaxU[U]=actlMaxU[U]=0; MaxDom[U]=actlDom[U]=0; gas[U]=gar[U]=rga[U]=rs[U]=0;} for(N=0;N<NP;N++) {m[N]=mx; Mz[N]=MXz; bz[N]=0; B[N]=0; neonat[N]=1; natal[N]=5+161*(NP/2-abs(NP/2-abs(N-NP/4)))/NP; for(U=0;U<=MM;U++) {P[U][N]=0; B[N]+=(F[U][N]=natal[N]*(U==U0));} } /* N */ } /* inici */ valors() {int U,j,Uj,N; float cost,forza; for(U=0;U<=MM;U++) { PI0[U]=0; cost=1; for(j=0;j<mm;j++) {Uj=((U>>j)%2); PI0[U]+=Uj; if(!Uj) {cost*=mm-1-j; cost/=mm-1;} } /* j */ if((U%2)==0) PI0[U]+=.8; PI0[U]/=mm; ferocitat[U]=1-cost; forza=(float)2*U/(MM-1); st[U]=forza*ferocitat[U]; em[U]=(float)U/MM; PI0[U]-=.02*MM*Ce*forza*cost*PI0[U]/(MM-1); if(PI0[U]<0) PI0[U]=0; } /* U */ for(N=0;N<NP;N++) repressio(N); } /* valors */ estadistica() {int mj,Mj,U;

123

double sqrt(); for(mj=0;mj<=mm;mj++) {Mj=(1<<mj)-1; PR0[mj]=0; SR0[mj]=0; for(U=0;U<=Mj;U++) {PR0[mj]+=PI0[U]; SR0[mj]+=PI0[U]*PI0[U];} PR0[mj]/=Mj+1; SR0[mj]/=Mj+1; SR0[mj]=sqrt((double)SR0[mj]-PR0[mj]*PR0[mj]); } /* mj */ } /* estadistica */ repressio(N) int N; {int U; for(U=0;U<=MM;U++) sts[U][N]=st[U]; } /* repressio */ iteracio() {int U; avaluacio(); impressio(); if(fora) return; if(T+dT>Ti) {sortida(); return;} T+=dT; ciencia(); aprenentatge(); if(fora) return; iteracio(); if(fora) return; } /* iteracio */ avaluacio() {int ER=0,N,NN,U,V,d; gs=0; for(U=0;U<=MM;U++) {actlMaxU[U]=0; gas[U]=0;} for(N=0;N<NP;N++) if(B[N]!=0) {a[N]=.09; bz[N]=0; aT[N]=0; Tr[N]=0; eT[N]=0; for(U=0;U<=MXz;U++) {P[U][N]=(float)F[U][N]/B[N]; a[N]-=P[U][N]*U*.18/MM; if(P[U][N]>.5) actlMaxU[U]++; if((U!=7) && (U!=6) && (U!=MM-1)&&(U!=15)&&(U>3)&&(P[U][N]>.5)&&(.5*ec/NP==1)) for(V=0;V<=MM;V++) { sprintf(estat,"%4d %2d %2d %2d %4.2f %2d %2d %2d %2d %2d %2d %2d %4.2f %4.2f %4.2f",T,U,N,V,.5*ec/NP,S,Ka,Kr,Ke,Qc,Ce,MOH,P[V][N],PG[V][N],PR[N]);

sprintf(moments,"%d %d",actlMaxU[U],actlDom[U]); sprintf(fila,"%s APA%X %s %s\n",cap,U,estat,moments); lTAU(fila); } aT[N]+=U*P[U][N]; Tr[N]+=(ferocitat[U]+1)*P[U][N]; eT[N]+=(float)2*U/(MM-1)*(1-ferocitat[U])*(ec0-ec)*P[U][N];

124

if(U>Mz[N]) bz[N]+=P[U][N]; PI[U][N]=(PI0[U]-ro[U][N])*ec/ec0; gs+=PI[U][N]*P[U][N]; gas[U]+=PI[U][N]*P[U][N]; } /* U */

if(m[N]<mm) increment(N); aT[N]/=Ka*dT*MM; Tr[N]*=Kr*dT; eT[N]/=Ke*dT; } /* N */

/* EFECTE REVOLTA */ ER=actlMaxU[4]; for(U=4;U<MM;U++) if((U!=FRS) && (U!=6) && (U!=MM-1)) ER+=actlMaxU[U]; if(ER>0) dT=5; else dT=100; for(U=2;U<=MM;U++) { if(MaxU[U]==0 && actlMaxU[U]>0) { sprintf(estat,"%4.2f %2d %2d %2d %2d %2d %2d %2d",.5*ec/NP,S,Ka,Kr,Ke,Qc,Ce,MOH); sprintf(moments,"%d %d",actlMaxU[U],actlDom[U]); sprintf(fila,"%s APA%X %s %s\n",cap,U,estat,moments); lTAU(fila); } if(actlMaxU[U]>=MaxU[U] && actlMaxU[U]>0) {MaxU[U]=actlMaxU[U]; sprintf(estat,"%4.2f %2d %2d %2d %2d %2d %2d %2d",.5*ec/NP,S,Ka,Kr,Ke,Qc,Ce,MOH); sprintf(moments,"%d %d",actlMaxU[U],actlDom[U]); sprintf(taufila[U],"%s MXI%X %s %s\n",cap,U,estat,moments); } if(MaxDom[U]==0 && actlDom[U]>0) { sprintf(estat,"%4.2f %2d %2d %2d %2d %2d %2d %2d",.5*ec/NP,S,Ka,Kr,Ke,Qc,Ce,MOH); sprintf(moments,"%d %d",actlMaxU[U],actlDom[U]); sprintf(fila,"%s ADO%X %s %s\n",cap,U,estat,moments); lTAU(fila); } if(actlDom[U]>=MaxDom[U] && actlDom[U]>0) MaxDom[U]=actlDom[U]; if(ec<=0 & ec==0) {ec=0; sprintf(estat,"%4.2f %2d %2d %2d %2d %2d %2d %2d",.5*ec/NP,S,Ka,Kr,Ke,Qc,Ce,MOH); sprintf(moments,"%d %d",actlMaxU[U],actlDom[U]); sprintf(fila,"%s Heca %s %s\n",cap,estat,moments); lTAU(fila);

125

sortida(); return; } if(S<=0 && T>0) {S=0; sprintf(estat,"%4.2f %2d %2d %2d %2d %2d %2d %2d",.5*ec/NP,S,Ka,Kr,Ke,Qc,Ce,MOH); sprintf(moments,"%d %d",actlMaxU[U],actlDom[U]); sprintf(fila,"%s MDSA %s %s\n",cap,estat,moments); lTAU(fila); sortida(); return;} } } /* avaluacio */ increment(N) int N; {if(rand()+32767*bz[N]+32767*B[N]/progres>=32767) {++m[N]; Mz[N]=(1<<m[N])-1; repressio(N); if(m[N]>mx) {mx=m[N]; MXz=Mz[N]; imprmx=1;} } } /* increment */ impressio() {int N,U; char linia[124],c[2]; sprintf(cap,"%s ",fnom); lOUT(cap); ",T); lOUT(linia);

sprintf(linia,"%4ld for(N=0;N<NP;N++) {if(B[N]!=0) {c[0]=-;

for(U=0;U<=MXz;U++) if(P[U][N]>.5) {sprintf(c,"%X",U); break; } /* U */ } else c[0]= ; OUTch(c[0]); } /* N */ /*sprintf(estat," %4.2f %2d %2d %2d %2d %2d %2d %2d",.5*ec/NP,S,Ka,Kr,Ke,Qc,Ce,MOH);*/ sprintf(estat," %4.2f %2d %2d %2d %2d %2d %2d %2d ",.5*ec/NP,S,Ka,Kr,Ke,Qc,Ce,MOH); sprintf(fila,"%s\n",estat); lOUT(fila); } /* impressio */ aprenentatge() {int U,V,N,NN,d,w; float AuxU; double sqrt(); float sigma,cosigma,PL[MM+1],L,VUM,sigm[MM+1],kk; gr=rg=0; mG=sG=mU=sU=rGU=0;

126

for(U=0;U<=MM;U++) { actlDom[U]=0; gar[U]=rga[U]=0;rs[U]=0; rs[U]=0; } for(N=0;N<NP;N++) {if(B[N]!=0) {L=PGM=SPG=VUM=0; for(U=0;U<=MXz;U++) {/* REPRESSIO */ sigma=0; S=0; for(NN=0;NN<NP;NN++) if(B[NN]!=0) {++S; for(V=0;V<=MXz;V++) if(V!=U)

{ d=NP/2-abs(NP/2-abs(NN-N)); sigma+=P[V][NN]*P[V][NN]*sts[V][NN]*imp(V,NN,N); if(sigma<0) {printf("%6.2f",sigma); sortida(); return; } } } /* NN */ rs[U]=NP*st[U]; gr+=sts[U][N]*P[U][N]*ec/ec0; gar[U]+=sts[U][N]*P[U][N]*ec/ec0; rs[U]+=sts[U][N]; if(S!=0) sigma/=S; else {sortida(); return;} cosigma=1-sigma; sigm[U]=sigma; sts[U][N]+=dT*(sigma-sts[U][N])*aT[N]; PG[U][N]=PI[U][N]*cosigma; if(PG[U][N]<0) PG[U][N]=0; /* COMUNICACIO CIENTIFICA */ PL[U]=P[U][N]; for(NN=0;NN<NP;NN++) if(NN!=N) if(B[NN]!=0) { d=NP/2-abs(NP/2-abs(NN-N)); for(V=0;V<=MXz;V++) PL[U]+=EMz[N]*P[U][NN]*EMz[NN]*P[V][NN]*imp(V,NN,N);} L+=PL[U]; PGM+=PG[U][N]*PL[U]; SPG+=PG[U][N]*PG[U][N]*PL[U]; AuxU=(float)U; VUM+=AuxU*P[U][N]; /*printf("%ld %d %d }/* U printf("\n");*/ %2.6f \n",T,N,U,PG[U][N]); */

acti[N]=PG[0][N]; for(w=1;w<=MXz;w++)

127

if(PG[w][N]>acti[N]) acti[N]=PG[w][N]; for(U=2;U<=MXz;U++) if(P[U][N]>0.5 && PG[U][N]==acti[N]) actlDom[U]++; PGM/=L; SPG/=L; SPG-=PGM*PGM; if(SPG<0) SPG=0; SPG=sqrt((double)SPG); mG+=PGM; sG+=PGM*PGM; mU+=VUM; sU+=VUM*VUM; rGU+=PGM*VUM; B[N]=0; /* RESIGNACIO */ if(neonat[N]) {PR[N]=PR0[m[N]]; SR[N]=SR0[m[N]]; neonat[N]=0;} else {PR[N]+=dT*(PGM-PR[N])/Tr[N]; SR[N]+=dT*(SPG-SR[N])/Tr[N];} /*SISTEMA NATURAL if (ec/ec0<1) {ntl[N]=2+(natal[N]/(-20*(ec/ec0)*(ec/ec0)+25)); natal[N]+=(ntl[N]-natal[N])/MOH;} /* APRENENTATGE INDIVIDUAL */ for(U=0;U<=MXz;U++) {if(SR[N]>.0001) F[U][N]+=2*dT*(PG[U][N]-PR[N])*PL[U]*SR0[m[N]]/SR[N]; F[U][N]*=(F[U][N]>0); B[N]+=F[U][N]; } /* U */ NM=N; } /* REPRODUCCIO */ if(rand()+32767*a[N]+32767*(1-a[N])*B[N]/tanatos>=32767) {if(B[N]==0) {short NN=N; while(B[NN]==0) NN=(NN+1)%NP; m[N]=m[NN]; Mz[N]=(1<<m[N])-1; } for(U=0;U<=MXz;U++) F[U][N]=natal[N]*(U<=Mz[N]); B[N]=natal[N]*(Mz[N]+1); repressio(N); neonat[N]=1; } } /* N */ if(S!=0) {mG/=S; sG/=S; sG-=mG*mG; mU/=S; sU/=S; sU-=mU*mU; rGU/=S; rGU-=mG*mU; if(sG<0) sG=0; */

128

sG=sqrt((double)sG); if(sU<0) sU=0; sU=sqrt((double)sU); if(sG*sU>0) {rGU/=sG; rGU/=sU;} else rGU=1; } /* RECICLATGE */ rl=(cl*ec<ec0-ec+gs+gr)?(cl*ec):(ec0-ec+gs+gr); roI=(ec0-ec-rl+gs+gr); if(roI>ec0) roI=ec0; if (roI<0 ) roI=0; for(U=0;U<=MXz;U++) for(N=0;N<NP;N++) {if(S!=0) ro[U][N]=eT[N]*roI/(ec0*S); if(ro[U][N]<0) ro[U][N]=0; if(ro[U][N]>PI0[U]) ro[U][N]=PI0[U]; if(B[N]!=0) { P[U][N]=(float)F[U][N]/B[N]; rg+=ro[U][N]*P[U][N]; rga[U]+=ro[U][N]*P[U][N];} } /* N */ ec+=rl+rg-gs-gr; if(ec>ec0) ec=ec0; if(ec<0) ec=0; } /* aprenentage */ ciencia() {short N,U; for(N=0;N<NP;N++) if(B[N]!=0) {EMz[N]=0; for(U=0;U<=MXz;U++) EMz[N]+=P[U][N]*em[U]; } /* N */ } /* ciencia */ sortida() {char fnomtipus[35]; taula(); fora=1; fclose(pf); copiOUT(); return; } /* sortida */ copiOUT() {char fnomtipus[35]; sprintf(fnomtipus,Out); if((pf=fopen(fnomtipus,"rb, recfm=v, lrecl=32756"))==NULL) {printf("IMPOSSIBLE OBRIR EL FITXER DE LECTURA MEd_ OUT"); exit(0);} sprintf(fnomtipus,Out_,fnom);

129

if((rf=fopen(fnomtipus,"wb, recfm=v, lrecl=32756"))==NULL) {printf("IMPOSSIBLE OBRIR EL FITXER DESCRIPTURA OUT"); exit(0);} while(!feof(pf)) putc(getc(pf),rf); fclose(pf); fclose(rf); } /* copiOUT */ copiTAU() {char fnomtipus[35]; sprintf(fnomtipus,Tau); if((tf=fopen(fnomtipus,"rb, recfm=v, lrecl=32756"))==NULL) {printf("IMPOSSIBLE OBRIR EL FITXER DE LECTURA MEd_ TAU"); exit(0);} sprintf(fnomtipus,Tau_,fnom); if((uf=fopen(fnomtipus,"wb, recfm=v, lrecl=32756"))==NULL) {printf("IMPOSSIBLE OBRIR EL FITXER DESCRIPTURA TAU"); exit(0);} while(!feof(tf)) putc(getc(tf),uf); fclose(tf); fclose(uf); } lOUT(fila) char *fila; {int L; for(L=0;L<strlen(fila);L++) OUTch(fila[L]); } /* lOUT */ lTAU(fila) char *fila; {int L; for(L=0;L<strlen(fila);L++) TAUch(fila[L]); } /* lTAU */ OUTch(c) char c; {fputc(c,pf);} /* OUTch */ TAUch(c) char c; {fputc(c,tf);} float imp(U,M,N) int U,N,M; {int d; float dis,c,dis1,c1; d=NP/2-abs(NP/2-abs(M-N)); if (U==0) return 10*(!d); dis=(float)2*U/3; dis1=(float)U/2; c=(float)d/dis;c1=(float)d/dis1; if(U%2==1 && U<=15) return (c*exp(-.5*c*c)*(U*exp(-.5*U*U/8.064)*6.124+.15))/1.32;

130

if(U%2==0 && U<=15) return (natal[N]*exp(-.5*c1*c1)*(2.3019*exp(-.5*U*U/7.25)+U/21)); } taula() {int U; for(U=1;U<=MM;U++) {if(MaxU[U]>0 & MaxDom[U]>0 ) lTAU(taufila[U]);} sprintf(estat,"%4ld",T); sprintf(fila,"%s FINI lTAU(fila); } /* taula */ /* fin de MEd .C */ %s\n",cap,estat);