Curso Introducción al Modelamiento de Sistemas Complejos 2011

Presentación
Programa
Destinatarios
Docentes
Metodología
Matrícula
Certificación
FAQ

Presentación

Curso Introducción al Modelamiento de Sistemas Complejos 2011

Esta es la segunda versión del Curso de Introducción al Modelamiento de Sistemas Complejos dirigido a estudiantes e investigadores en Ciencias Sociales, que comenzó en el año 2009, y que es organizado por el Grupo de Sociología Computacional y Modelamiento en Ciencias Sociales.
En este curso se presentará un panorama de algunos de los alcances del modelamiento de sistemas complejos. Generalmente el modelamiento de sistemas complejos es un área interdisciplinaria donde convergen aportes de ciencias fácticas y ciencias formales. Las ciencias fácticas (e.g., física, biología, sociología, antropología) comprenden y delimitan las problemáticas y fenómenos que motivan en último término la investigación y el uso de modelos. Las ciencias formales (e.g., matemática, lógica, informática, sistémica) proveen las herramientas de análisis y desarrollo de los modelos que tienen en último término una estructura formal. Más allá de las exigencias propias del desarrollo de modelos, la dificultad de manejar y dominar a la vez conocimientos de disciplinas formales y fácticas tiende a delegar el desarrollo de modelos a los pocos investigadores que logran adquirir un dominio de ambos campos. En contraste con ello, el creciente interés en la investigación interdisciplinaria está promoviendo el contacto entre investigadores de diferentes áreas, catalizando así el desarrollo de modelos en trabajos grupales de investigación. Sin embargo, los investigadores fácticos (y también los formales) requieren un dominio no menor del lenguaje y las herramientas propias del modelamiento, así como de una comprensión de sus alcances, utilidad y expectativas. Este taller pretende ser una introducción en la capacitación para el modelamiento dentro de un marco interdisciplinario de investigación.

Para el curso de 2016 vaya a este link

Objetivo específico:

Se pretende que los alumnos alcancen a comprender los elementos básicos del modelamiento como un punto de partida hacia la capacitación en la colaboración interdisciplinaria. Se pretende motivar el interés por el estudio de los fenómenos sociales a partir del desarrollo de modelos, con un énfasis en el estudio de la complejidad de los sistemas sociales.

Costo:

CL$ 120.000

Contacto:

info@ificc.cl

I. IDENTIFICACION

Semestre:	Segundo
Modalidad:	Presencial
Horario:	Lunes de 18:30 a 21:00
Profesor coordinador: Dr. Pablo Razeto Barry (PR) Profesores invitados: Dr. Gonzalo Robledo (GR) Dr. Manuel Vivanco (MV) Dr.(c) Nelson Paulus (NP) Mg. Francisco Meneses (FM)
Profesores ayudantes: Lic. Christian Blanco (CB) Juan Razeto (JR)

II. EVALUACIÓN

Este modulo se evaluará mediante un escrito grupal (2 o 3 integrantes) de no más de cinco páginas en donde se presente un problema, hipótesis o sistema de interés sociológico o antropológico y un breve bosquejo de cómo se podría abordar en términos de un modelo formal. Se debe indicar la utilidad y los alcances que podría tener el desarrollo de tal modelo.

III. CONTENIDOS

Sesión	Unidad	Contenido	Ejemplos	Técnica	Lectura obligatoria
1 26 sep.	Bases del modelamiento (PR)	Historia del modelamiento matemático. Teoría de modelos. Objetivos, dificultades y posibilidades.	Ejemplos de ciencias naturales	Análisis conceptual
2 26 sep.	Bases del modelamiento (PR)	Tipos de modelos. Espacios de fase. Ciencias de la complejidad. Matemática analítica y experimental. Emergencia débil.	Ejemplos de ciencias naturales	Modelos algebraicos. Métodos de Monte Carlo	[1]
3 3 oct.	Modelamiento de procesos evolutivos (PR)	Modelamiento en la teoría evolutiva. Evolución social y evolución cultural.	Modelo de evolución cultural de Boyd. Sistema mundo, Forrester.	Modelos algebraicos. Ecuaciones diferenciales	[2]
4 3 oct.	Modelamiento de procesos evolutivos (PR)	Teoría de Juegos y evolución de la cooperación humana. Modelamiento de la reciprocidad.	Evolución de la cooperación, Axelrod.	Modelos algebraicos probabilísticos	[3]
5 24 oct.	Modelamiento de sistemas dinámicos I (GR)	Sistemas dinámicos. Modelamiento con ecuaciones diferenciales. Modelos epidemiológicos y parámetros socialmente influenciables.	Modelo epidemiológico SIR	Ecuaciones diferenciales
6 24 oct.	Modelamiento de sistemas dinámicos II (GR)	Sistemas dinámicos. Modelamiento con ecuaciones diferenciales. Modelos epidemiológicos y parámetros socialmente influenciables.	Modelo epidemiológico SIR	Ecuaciones diferenciales
7 14 nov.	Modelos basados en agentes I (FM)	Introducción a los autómatas celulares. Comparación de autómatas celulares con las ecuaciones diferenciales	Modelo de sistema autopoiético, Varela. Modelo SIR.	Autómatas celulares	[4], [5]
8 14 nov.	Modelos basados en agentes II (MV)	Aproximación bottom-up. Interacciones locales. Modelos multiagente. Modelo de Segregación de Schelling	Modelo de segregación social de Schelling Modelo de culturización de Axelrod	Modelos basados en agentes	[6]
9 21 nov.	Modelos basados en agentes III (CB-JR)	Modelo Sugarscape y uso de Netlogo	Modelo Sugarscape Epstein y Axtell	Modelos basados en agentes	[7], [8]
10 21 nov.	Modelos basados en agentes IV (CB-JR)	Uso de Netlogo	Modelo diversidad cultural	Modelos basados en agentes
11 28 nov.	Modelamiento probabilístico y química algebraica (PR)	Epistemología bayesiana. Sociología de la Ciencia. Teoría de organizaciones y química algebraica. Química y emergencia.	Modelo de programas de investigación de Lakatos. Modelo político Luhmann. Modelo de cooperación.	Modelos bayesianos. Química algebraica, química artificial	[9], [10]
12 28 nov.	Sociología analítica y modelamiento (NP)	Introducción a la sociología analítica. El modelamiento matemático-computacional como harramienta en sociología analítica	Modelo DBO	Análisis conceptual	[11]

Trabajo final:

Entrega: lunes 5 de diciembre.

Texto de apoyo para Trabajo Final: bajar aquí.

IV. BIBLIOGRAFÍA

Bibliografía obligatoria

[1] Baker, A. 2010. Simulation-based definitions of emergence. Journal of Artificial Societies and Social Simulation 13(1):9.

[2] Henrich, J. & Boyd, R. 2002. On modeling cognition and cultura. Why cultural evolution does not require replication of representations, Journal of Cognition and Culture 2: 87-112.

[3] Nowak, M.A. 2006. Five rules for the evolution of cooperation. Science 314:1560-1563.

[4] McMullin, B., & Varela, F.J. 1997. Rediscovering computational autopoiesis. In P. Husbands & I. Harvey (Eds.), Proceeedings of the Fourth European Conference on Artificial Life (pp. 38–47). Cambridge, MA: MIT Press.

[5] Rahmandad, H. & Sterman, J. 2008. Heterogeneity and network structure in the dynamics of diffusion: Comparing agent-based and differential equation models. Management Science 54(5):998-1014.

[6] Vivanco, M. 2010. Sociedad y Complejidad, Editorial LOM, Santiago, Chile. Cap. 10.

[7] Epstein, J.M & Axtell, R. 1996. Growing artificial societies. Social science from the bottom up. The Brookings Institution, Washington. Introduction.

[8] Bandini, S., Manzoni, S. & Vizzari, G. 2009. Agent based modeling and simulation: an informatics perspective. Journal of Artificial Societies and Social Simulation 12(4):4.

[9] Dittrich, P. and Winter, L. 2008. Chemical organizations in a toy model of the political system. Advances in Complex Systems 11(4):609-627.

[10] Dorling, J. 1979. Bayesian personalism, the methodology of scientific research programmes, and Duhem's problem. Studies in History and Philosophy of Sciences 10(3):177-187.

[11] Hedström, Peter. Dissecting the Social. On the principles of Analytical Sociology. Cambridge University Press, 2005. Cap 2, Social Mechanisms and explanatory theory.

Bibliografía complementaria

Axelrod, R. 1997. The dissemination of culture. A model with local convergence and global polarization. Journal of Conflict Resolution 41(2):203-226.

Arthur, B. & Polak, W. 2006. The evolution of technology within a simple computer model, Complexity 11(5): 23-31.

Batty, M. 2005. Cities and complexity: understanding cities with cellular automata, agent-based models, and fractals. MIT Press, MA.

Benenson, I. & Torrens, P.M. 2004. Geosimulation. Automata-based modeling of urban phenomena. John Wiley and Sons, West Succex.

Boccara, N. 2004. Modeling Complex Systems, Springer, Chicago, USA.

Boyd, R. & Richerson, P. 1985. Culture and the Evolutionary Process, The University of Chicago Press, Chicago-London.

Byrne, D. 1998. Complexity Theory and The Social Sciences. An Introduction. Routledge, London-NewYork.

Dittrich, P., Kron, T. & Banzhaf, W. 2003. On the scalability of social order: modeling the problem of double and multi contingency following Luhmann. Journal of Artificial Societies and Social Simulation 6(1):3.

Edmonds, B., Hernández, C. & Troitzsch, K.G. 2008. Social simulation: technologies, advances and new discoveries. Information Science Reference, Hershey, PA.

Epstein, J.M. 2006. Generative social science: studies in agent-based computational modeling. Princeton University Press, Princeton.

Epstein, J.M & Axtell, R. 1996. Growing artificial societies. Social science from the bottom up. The Brookings Institution, Washington.

Gimblett, H.R. 2002. Integrating geographic information systems and agent-based modeling techniques for simulating social and ecological processes. Oxford University Press, Oxford.

Gilbert, G.N. 2008. Agent-based models. Sage, California.

Gilbert, G.N. & Troitzsch, K.G. 2005. Simulation for the social scientist. McGraw-Hill International, Berkshire.

Hoekstra, A.G., Kroc, J. & Sloot, P.M.A. 2010. Simulating complex systems by cellular automata. Springer: Heidelberg.

Hollander, C.D. & Wu, A.S. 2011. The current state of normative agent-based systems. JASSS 14(2):6.

Jorg, T. 2011. New thinking in complexity for the social sciences and humanities. A generative, transdisciplinary approach. Springer, Heildelberg.

Luisi, P.L. 2002. Emergence in chemistry: chemistry as the embodiment of emergence. Foundations of Chemistry 4:183-200.

Mcelreath, R. & Boyd, R. 2007. Mathematical Models of Social Evolution. A Guide for the Perplexed, The University of Chicago Press, Chicago-London.

Miller, J. H. & Page, S.E. 2007. Complex adaptive systems: an introduction to computational models of social life. Princeton University Press, Princeton.

Razeto-Barry, P. & Cienfuegos, J. 2011. La paradoja de la probabilidad de lo improbable y el pensamiento evolutivo de Niklas Luhmann. Convergencia 57:13-38.

Suleiman, R., Troitzsch, K.G. & Gilbert, G.N. 2000. Tools and techniques for social science simulation. Physica-Verlag, Heildelberg.

Veloz, T., Razeto-Barry, P. & Fajardo, A. 2011. Chemical organizations and game theory. Journal of Mathematical Biology (submitted)

Vivanco, M. (Cuadernos de Trabajo), Temas de la Complejidad I y II, Departamento de Sociología, Universidad de Chile.

Terano, T. 2005. Agent-based simulation: from modeling methodologies to real-world applications: post-proceedings of the Third International Workshop on Agent-Based Approaches in Economic and Social Complex Systems 2004. Springer, Heidelberg.

Torretti, R. 2007. De Eudoxo a Newton: modelos matemáticos en la filosofía natural, Universidad Diego Portales, Santiago.