Relaciones causales

Las relaciones que mantienen entre s las variables de un sistema son causales, es decir, una de
las variables es la responsable de un efecto ejercido sobre otra. Estas relaciones se pueden
representar mediante diagramas causales, en las que se incluyen los elementos de un sistema y
flechas que conectan las variables consideradas al modelar un sistema.

Tipos de relaciones

1. Relaciones simples: son aquellas en que una variable A influye sobre otra B, pero no a
la inversa. . Las relaciones simples pueden ser:
Directas o positivas: cuando el incremento o disminucin de A provoca el
incremento o disminucin de B. Se indica mediante un signo + sobre la flecha.

Ejemplos:

Inversas o negativas: aquellas en el incremento de A implica la disminucin de B, o

viceversa. Se indican mediante un signo - sobre la flecha.

Ejemplos:

Encadenadas: cuando el nmero de variables a considerar es mayor de dos, y se

leen de forma independiente por parejas. Para simplificarlas se pueden reducir a
una sola relacin, contando el nmero de relaciones negativas existentes. Si es par,
la relacin resultante ser positiva. Si es impar la relacin resultante ser negativa.

Ejemplos:
2. Relaciones complejas: son aquellas acciones en que una variable influye sobre otra u
otras que, a su vez, influyen sobre la primera, como la pescadilla que se muerde la cola.
El resultado es el establecimiento de un conjunto de relaciones causales encadenadas
en crculo cerrado, que reciben el nombre de bucles de retroalimentacin o feedback.
Retroalimentacin positiva: es aquella en la cual al incrementarse A se incrementa
B, y viceversa. En general una retroalimentacin positiva acelera un sistema o
proceso. Se indica con un signo + dentro de un crculo situado en el centro de la
relacin.

Un ejemplo de retroalimentacin positiva es el crecimiento exponencial de una

poblacin que no tenga limitaciones para reproducirse; al aumentar la poblacin,
habr mayor nmero de nacimientos, que a su vez, incrementan la poblacin, y as
sucesivamente hasta que los recursos vitales se agoten.

Otro ejemplo:

Retroalimentacin negativa: se da en los casos en que al incrementarse A se

incrementa B, pero el incremento de B hace disminuir a A. Las retroalimentaciones
negativas retardan o mantienen un proceso en una tasa uniforme. Se indican
mediante un signo - dentro de un crculo situado en el centro de la relacin. Su
denominacin se debe a que, globalmente, la respuesta es negativa con relacin al
estmulo inicial, es decir, el exceso de un factor produce una inhibicin y el defecto
una excitacin.
 Un ejemplo tpico es el de un sistema de calefaccin controlada por termostato: si
la temperatura baja, se enciende la calefaccin, y si la temperatura es alta, se
apaga.

Otro ejemplo:

Los bucles de retroalimentacin negativa tienen una accin reguladora y estabilizan los sistemas
que los posee, los cuales recibes en nombre de sistemas homeostticos o cibernticos, como el
sistema ABS, la direccin asistida, el piloto automtico, etc.

Diagramas Causales

Los investigadores interesados en el razonamiento automatizado y las posibilidades de sus

herramientas para teorizar sobre la cognicin, tambin utilizan diagramas causales (Gopnik et
al., 2004, Halper y Perl, 2005a y 2005b, Pearl, 1995). Dichos diagramas contienen variables y
vnculos causales, como se muestra en la siguiente figura (tomada de un caso acerca de juzgar
la causa de un incendio forestal):
Las variables estn destinadas a contener, en cada momento, uno de dos o ms valores
discretos. Supongamos que el fuego puede haber provenido de un relmpago o un fsforo
encendido por alguien.

F significa "Incendio forestal" (F = 1 significa "fuego", F = 0 significa "sin fuego");

L significa "Rayo" (L = 1: "hay un rayo", L = 0: "no hay rayo");
ML significa "Match Lit" (ML = 1: "partido encendido", ML = 0: "no encendido")
U representa el conjunto de variables de contexto, como el grado de oxgeno en el
aire, si est lloviendo ...

Causalidad significa que dos variables estn vinculadas por "una cadena de eventos cada uno
dependiendo directamente de su predecesor" (Halper y Perl, 2005a, pg. En este sentido, un
evento es lo que hace que el valor de una variable tome en el valor especfico que tiene en un
momento - por ejemplo, la aparicin de un "relmpago" o su ausencia "no relmpago".

Se imponen estrictas reglas formales al diagrama causal, asegurando que slo las variables que
estn en el arco causal forman parte del conjunto de variables modeladas como endgenas. Un
conjunto de ecuaciones estructurales representa la forma en que un evento en una variable es
causado por eventos en sus variables anteriores.

Las reglas y las ecuaciones hacen posible el tratamiento automtico. As, si estamos en posesin
de un diagrama causal que satisface las condiciones formales y tenemos las ecuaciones
estructurales y conocemos los valores de la variable de contexto, entonces podemos determinar
automticamente la causa de un evento o el efecto de una intervencin.

Sin embargo, como muestra el ejemplo, el foco est en eventos discretos y las variables tienen
conjuntos discretos de valores. Los diagramas causales representan slo la estructura, la
dinmica de los acontecimientos ha sido abstrada.

Causalidad y comportamiento

a. Causalidad

Para la dinmica del sistema, la principal preocupacin es entender cmo la estructura (variables
y enlaces causales) genera comportamiento en un mundo de procesos continuos, en lugar de
eventos discretos. En su camino, la dinmica del sistema ha creado conceptos especficos as
como smbolos para representarlos: el bucle de retroalimentacin firmado, el tipo de variable
(acumulacin o flujo), el retardo y - cuando la cuantificacin entra en juego, la no linealidad.

Inicialmente, los diagramas de "stock-and-flow" se usaron como lenguaje grfico; tenan un

smbolo para cada uno de los conceptos especiales y permitan la cuantificacin, que es
necesaria para la simulacin. Existe un amplio acuerdo en que la presencia de mltiples bucles
de retroalimentacin hace que la simulacin sea necesaria para evaluar el comportamiento
continuo.
La dinmica del sistema tiene una definicin muy especfica de causalidad, que tiene que ver
con su universo conceptual. Se supone que el mundo est en desarrollo continuo, y puede ser
descrito por dos tipos de variables. Si definimos el comportamiento como los diferentes valores
que una variable toma con el tiempo, entonces las variables de stock son acumuladores o
acciones con un comportamiento determinado por su propio valor "justo antes" y la suma de
todos los flujos conectados. El comportamiento de una variable de flujo se define durante un
perodo de tiempo; slo se deduce por el valor actualmente visible de las variables de stock y
posiblemente por algunos convertidores (o variables auxiliares) y por polticas de decisiones
implcitas o explcitas. De este modo hay una diferencia fundamental entre los dos tipos de
variables, ya que los acumuladores dependen de su estado y de la cantidad del caudal
conectado. Las tasas de flujo dependen de las cantidades en las acciones y las polticas de
decisin.

Adems, mientras que en la discusin filosfica sobre la causalidad (Halper y Pearl, 2005a), la
causalidad tiene que ver con cmo los eventos causan eventos, la dinmica del sistema trata de
cmo el comportamiento causa el comportamiento (a travs de una estructura causal, en esto
hay acuerdo entre las comunidades). Entonces, qu es el comportamiento y cmo se relaciona
con los eventos?

En un mundo continuo, una variable de stock tiene un valor especfico en cada punto en el
tiempo. Las variables de flujo se definen durante un perodo de tiempo. Puesto que la
percepcin ocurre en los puntos en el tiempo, slo las variables de stock pueden ser percibidas
directamente - a pesar de que la mente calcula el comportamiento a partir de secuencias de
percepciones y es ms sensible a los cambios que a los estados (Kahneman, 2002). El
comportamiento es entonces el cambio de valores. Un evento debe ser un episodio especfico
del comportamiento o un cambio de comportamiento.

Esto es algo que los otros enfoques presentados anteriormente no abordan: los mapas
conceptuales, los mapas cognitivos y los mapas causales no pretenden razonar en trminos
conductuales (cuantitativos) continuos. En consecuencia, no necesitan una definicin operativa
de la causalidad. Los diagramas causales tratan con los acontecimientos, y el comportamiento
no aparece de la misma manera. En el ejemplo del fuego forestal, hay fuego o no hay - no hay
necesidad de pedir el comportamiento del fuego forestal antes o despus; esto puede ser
representado por un cambio de paso en una variable de nmero entero que vara entre 0 y 1.
Argumento que el evento es la transicin de 0 (sin fuego) a 1 (fuego) - el cambio de
comportamiento.

Tambin hay varios significados posibles para el comportamiento. Puede ser la secuencia de
nmeros que describen las cantidades medidas o inferidas. Tambin puede ser una descripcin
ms cualitativa de lo que esta secuencia es: crecimiento (lineal o no lineal) o su contrario,
estancamiento, estabilizacin u oscilacin. En esta lista, algunos de los comportamientos no son
elementales, y pueden descomponerse en sucesiones de comportamientos ms elementales.
Por ejemplo, la oscilacin puede descomponerse en fases de derivadas positivas / negativas
(primera o segunda), y entonces un evento puede ser la transicin de uno de estos modos a
otro.

Es discutible si el comportamiento puede ser pensado como primera derivada y eventos una
segunda derivada. Esto podra ser considerado para casos de comportamientos lineales; sin
embargo, en casos ms generales siempre se puede argumentar que la segunda derivada
tambin forma parte del comportamiento y as la nocin de evento es empujada ms lejos. No
encontr una discusin sobre la relacin entre comportamiento y evento en la literatura (ms
all de afirmar que la dinmica del sistema se refiere a fenmenos continuos y no a eventos). Si
es justo decir que la mente humana es sensible a los acontecimientos, podra ser til desarrollar
una definicin clara de cmo la dinmica del sistema interpreta esta relacin.

La siguiente figura ilustra algunos casos:

Figura: un "paso" y un evento "rampa" como un cambio de comportamiento (cambio de valores) por encima de
diferentes comportamientos.

Parece que para las preocupaciones de la dinmica del sistema, hay dos tipos de eventos
fundamentales: uno es una traduccin vertical del grfico, representado como un evento de
"paso" (figuras a, c y e). El segundo es un cambio de pendiente, representado por un evento de
"rampa" (figuras b, dyf). Otras formas como un evento de "pulso" son combinaciones de eventos
fundamentales, como dos "pasos" (uno hacia arriba, el otro hacia abajo).

Mientras que las figuras a y b no parecen inusuales, se refieren a casos en que la variable es
esttica durante todo el perodo de tiempo considerado, excepto el evento de cambio.
Claramente hay muchos casos en los que esto no es as: el empleo de la economa de un pas
puede estar aumentando (lentamente), pero el gobierno desea impulsarlo o aumentar ms
rpido (casos cyd). O las ventas de una empresa estn descendiendo y la gerencia les gustara
darles un empujn o al menos ralentizar la disminucin (casos eyf). Esta es una caracterstica
que distingue la dinmica del sistema de los otros enfoques presentados anteriormente: aqu
nos preocupamos no slo por los eventos, sino por el comportamiento en general.

La relacin muy especfica entre el flujo y las variables de stock significa que entre dos variables,
hay reglas en cuanto a qu tipo de evento causa qu tipo de evento:
 un evento "step" en una variable de flujo provoca un evento "rampa" en la variable
stock; si el flujo es una entrada, entonces la rampa tiene el mismo signo que el paso; si
el flujo es un flujo de salida, la rampa tiene el signo inverso del paso.
un evento "rampa" en una variable de flujo provoca un evento "rampa" no lineal en la
variable de stock; si el flujo es una entrada, entonces la rampa del stock tiene el mismo
signo que el flujo; si el flujo es un flujo de salida, la rampa del stock tiene el signo inverso
del flujo.

b. Diagramas de bucles causales

Posteriormente, los llamados "diagramas de bucle causales" (CLD) comenzaron a utilizarse como
un medio para comunicar ideas seleccionadas a partir de un estudio de simulacin (Homer y
Oliva, 2001). Una vez que este lenguaje de diagrama existi, se volvi tentador usarlo tambin
en otras fases, especialmente para articular creencias causales en las primeras fases de
proyectos de modelado. Esta difusin del CLD ha llevado a dos debates: por una vez, se discute
si la simulacin es siempre necesaria o recomendable (Coyle, 1998; Homer y Oliva, 2001).
Adems, se ha criticado la simplificacin de la polaridad (Richardson, 1997). Por ltimo, cabe
preguntarse por qu los CLD se han vuelto mucho ms populares que los "diagramas de
influencia" (Wolstenholme, 1990), si los primeros no distinguen entre acumuladores y flujos,
pero estos ltimos lo hacen. Tal vez esto puede explicarse por la simplicidad que se gana al
olvidarse de la diferencia.

Para ver el carcter fundamentalmente limitado de CLD, ahora los examinaremos desde cero.

Se da una relacin causal entre dos variables cuando un sujeto cree que lo que sucede en una
de las variables causar alguna consecuencia en la segunda variable. Podemos llamar a la
primera variable "variable independiente", ya que no depende de ninguna variable que aparezca
dentro del modelo (mental); la segunda variable puede denominarse "variable dependiente"
por la razn obvia de ser influenciada por la primera. 10. Una relacin causal articulada es
entonces el modelo mental ms pequeo posible.

En la dinmica del sistema, la flecha que representa el enlace causal tiene la punta de flecha
usual para indicar la direccin de influencia y tambin un "+" o "-" que indica la polaridad del
enlace. La polaridad es lo que determina una cualidad esencial del efecto de la causa. Cada una
de las dos variables es un marcador de posicin para una serie de cantidades: la causa ser
observable como un comportamiento distinto de la variable independiente, y la variable
dependiente mostrar un comportamiento distinto como efecto. Este comportamiento ser un
aumento o una disminucin; esto puede ser en trminos absolutos o en relacin con lo que
habra ocurrido de lo contrario, dependiendo de qu definicin se utiliza. Durante todo este
tiempo, no debemos olvidar que ambas variables siempre "se comportan" de alguna manera,
as que ni la causa ni el efecto pueden ser algo diferente de una modificacin de
comportamiento. Puesto que estamos pensando en trminos de un mundo continuo, nuestras
variables tienen que tener un comportamiento; los "acontecimientos" que se perciben y se
piensa como causa y efecto deben entonces ser un cambio en el comportamiento de las
variables.

Con frecuencia usamos las funciones PULSE, STEP o RAMP para introducir tales "eventos" y
observar sus efectos. Esto es testimonio del hecho de que los seres humanos perciben el cambio
ms fcilmente ese estado (Kahnemann, 2002) y que la habituacin hace que un
comportamiento constante aparezca como estado.
Adems, debemos recordar que habr otras variables: ningn sistema interesante consistir en
slo dos variables: por consiguiente, la variable que llamamos "dependiente" durante este
ejercicio mental puede estar sujeta a otras influencias. Como se ver ms adelante, esto no ha
sido siempre el caso en el debate.

Supongamos que por un instante no hay otras variables. Ahora, cuando un evento de
incremento en la variable independiente desencadena un evento de incremento en
la variable dependiente, entonces tenemos un caso de lo que se clasifica intuitivamente como
polaridad positiva:

Figura: un ejemplo de polaridad positiva

Cuando pensamos en trminos de una variable, entonces la variable es un atajo para todas las
instancias de comportamiento que hemos visto antes. En cierto modo, la lgica de Hume va
desde la parte superior de la figura, donde los comportamientos son, a la parte inferior que
corresponde a una abstraccin de las variables ya un juicio de "relacin causal". Si tenemos dos
variables capaces de dos tipos de cambios cada uno, est claro que hay 4 configuraciones
bsicas:

Figura: 4 configuraciones bsicas para 2 polaridades

De acuerdo con este estado de cosas, la definicin simple o "popular" de la polaridad parece
bastante conveniente:

positivo (+): cuando la variable independiente cambia, entonces la variable dependiente

cambia en la misma direccin;
negativo (-): cuando la variable independiente cambia, entonces la variable dependiente
cambia en la direccin opuesta.
Cuando tanto las variables independientes como las dependientes aumentan o disminuyen
distintivamente, hablamos de polaridad positiva. Cuando uno aumenta distintivamente y el otro
disminuye, hablamos de polaridad negativa.

Sin embargo, esta definicin se demuestra fcilmente defectuosa (Richardson, 1997): si

tomamos el mini modelo donde la tasa de natalidad influye en la poblacin con un vnculo
positivo, un aumento en la tasa de natalidad causara un aumento en la poblacin. Sin embargo,
es significativo afirmar que una disminucin de la tasa de natalidad provocara una disminucin
de la poblacin?

Figura: puede la tasa de natalidad conducir a una poblacin ms baja?

Tal como lo indic Richardson (1997), este aparente problema se debe a la definicin popular y
se supera utilizando la definicin completa.

- positivo (+): cuando la variable independiente cambia con un signo particular (+ o -), entonces
los siguientes valores de la variable dependiente estarn por encima (o menos) de lo que habran
sido.

- negativa (-): cuando la variable independiente cambia con un signo particular (+ o -), entonces
los siguientes valores de la variable dependiente sern menos (o por encima) de lo que habran
sido.

Esta es la definicin "oficial" que los estudiantes encuentran en los libros de texto (por ejemplo,
Sterman, 2000). Con esta definicin en mente, ciertamente no hay ningn problema con pensar
que una disminucin de la tasa de natalidad hace que la poblacin disminuya por debajo del
nivel que habra tenido sin la disminucin de la tasa de natalidad. Ntese que esto no requiere
que la poblacin disminuya en trminos absolutos: comparamos lo que fue a lo que habra sido.
Obsrvese tambin que la diferencia entre lo que fue y lo que habra sido aparece desde un
momento especfico: es tentador pensar que un evento especfico ha causado esta bifurcacin
(ms bien que un comportamiento continuo).

Se puede atribuir esto, por ejemplo, a los efectos de otras variables que causan cambios en la
poblacin, como la tasa de mortalidad.

Figura: la tasa de natalidad puede conducir a una menor poblacin

En la Figura anterior, hay una nueva variable que influye en la poblacin. Se entiende
intuitivamente que la muerte de las personas reduce la poblacin; por lo que uno puede
fcilmente imaginar que sin los nacimientos, el comportamiento habitual de la poblacin es
hacia abajo. As que si hay un repentino "paso" disminucin en la tasa de natalidad, la poblacin
responder con una "rampa" negativa y ser menor de lo que habra sido. (De hecho, si se quiere
entender por qu una causa de "paso" provoca un efecto de "rampa", hay que reintroducir la
distincin entre flujo y acumulacin). Puede haber un conjunto bastante diverso de
posibilidades para el comportamiento bsico de poblacin, en la que la tasa de natalidad influye
de manera distinta tras el "suceso" constituido por su cambio de comportamiento:

Figura: otros casos de comportamiento del mismo modelo

En la mano izquierda de esta figura, vemos que un paso hacia abajo en la tasa de natalidad hace
que el descenso de la poblacin se acelere. En la mano derecha, la misma causa desencadena el
crecimiento de la poblacin a disminuir. La forma exacta depender de los valores numricos de
la tasa de natalidad y la tasa de mortalidad: mientras la primera sea mayor que la segunda, el
flujo neto ser mayor que cero y la poblacin seguir creciendo, slo ms lentamente: una
disminucin relativa. Ambos casos (y ms si se desea) se incluyen en el conjunto de
comportamientos que la estructura del modelo representada en el diagrama de bucle causal
puede generar.

Por qu, entonces, la definicin simple es tan popular? Sigue utilizndose en los llamados
sistemas de pensamiento 11 publicaciones y publicaciones acadmicas (Warren, 2004). La razn
sugerida es que es ms simple. Despus de todo, es ms fcil pensar en trminos de "eventos"
y olvidarse del resto del comportamiento, es decir, hacer como si no existiera (valores
constantes). Esto nos llevara de nuevo al modelo sin tasa de mortalidad, donde la poblacin se
supone implcitamente que es constante cuando no hay nacimientos. Es ms fcil centrarse en
lo que sucede entre la tasa de natalidad y la poblacin sin tener en cuenta la existencia y el
efecto de la tasa de mortalidad. Vemos ahora que este juicio errneo es atribuible a la simple
manera en que tenemos que pensar en estas variables, ya que los diagramas de bucle causales
no imponen la observacin de las reglas y regularidades establecidas en la seccin anterior. Ellos
permiten estas simplificaciones - al precio de asumir implcitamente falsas consecuencias de
comportamiento. En particular, las flechas causales en los diagramas causales del lazo parecen
simbolizar solamente acontecimientos, mientras que la dinmica del sistema est interesada en
el comportamiento en general.

Sin embargo, hay ms que criticar sobre los diagramas de bucle causal, que no pueden ser
superados con la definicin "completa".
No slo los "acontecimientos" (como un episodio especial o un cambio de comportamiento)
poseen causalidad; ordinario - constante - el comportamiento tambin lo hace. Tan pronto como
reconocemos la diferencia entre flujos y acumulaciones (una distincin que no se puede
expresar en diagramas de bucle causal, sin embargo), se hace inevitable pensar que el valor
absoluto de la tasa de natalidad (flujo) causa efectos de comportamiento en la poblacin
(acumulacin). Esto es bien conocido por aquellos que dominan la integracin grfica (ver por
ejemplo Sterman, 2000, captulo 7); sin embargo, en aras de la explicitacin, la siguiente figura
ilustra el caso:

Ve los dos casos en el siguiente diagrama?

Figura: ejemplos de causalidad sin acontecimiento

En esta figura, se muestran dos casos: primero, la tasa de natalidad tiene un valor positivo y
parece provocar que la poblacin crezca. Entonces la tasa de natalidad es igual a cero y la
poblacin permanece constante. Claramente, ambos casos son compatibles con el diagrama
causal que se muestra debajo de ellos. (Si hubiramos tomado el flujo neto, podramos incluso
aadir el caso en que este flujo es negativo.)

Siempre y cuando un individuo tenga en cuenta que la tasa de natalidad es un flujo y la poblacin
es un stock, as como la relacin entre estos tipos de variables, este individuo de hecho puede
"ver" todas estas posibilidades en el diagrama. Sin embargo, si CLD estn destinados a ser
utilizados con personas que no dominan la dinmica del sistema, este individuo querra utilizar
este tipo de diagrama?

Richardson (1997) mencion una definicin alternativa de polaridad:

- positivo (+): la variable independiente se suma a la variable dependiente;

- negativo (-): (+): la variable independiente resta de la variable dependiente.

Si pensamos que "la tasa de natalidad agrega a la poblacin" entonces el comportamiento

habitual y el evento de cambio (digamos, un "paso") se reflejan con precisin. Sin embargo,
incluso si reemplazamos el CLD por "diagramas de influencia" (Wolstenholme, 1990) y la
poblacin aparece como stock y la tasa de natalidad como tasa, es imposible expresar el efecto
de comportamiento del valor absoluto de la tasa de natalidad para la poblacin en un diagrama
aadimos una nueva categora de smbolos como ">", "0" y "<" para significar "positivo", "cero"
y "negativo", respectivamente, aunque esto en principio sea posible, privara a los diagramas de
su simplicidad .Tambin se observa que una tasa que puede ser positiva o negativa corresponde
a un "bi-flujo", las entradas y salidas implcitamente llevan una restriccin en el rango de valores
posibles, que los diagramas de bucles causales no expresan.

La ltima limitacin es que los diagramas de bucle causales no tienen un medio para representar
el "suavizado" del efecto causado con el tiempo. Como observan Moxnes (1998) y Moxnes &
Saysel (de prxima aparicin), las personas parecen pensar de forma esttica: asumen
implcitamente que el efecto de una intervencin en una variable de control se realizar
inmediatamente. Esto es, de causa, una suposicin errnea que los lleva a decisiones
defectuosas. Puede atribuirse a no reconocer las variables de stock como tales (y no tener
debidamente en cuenta las implicaciones de comportamiento de este hecho). Una vez ms, uno
tendra que ser un dinamizador acostumbrado a tener en cuenta todo esto mientras se trabaja
con un diagrama de bucle causal.

Debe concluirse que los diagramas de bucles causales no pueden captar lo que la causalidad
realmente significa para la dinmica del sistema, ya que slo hablan de eventos y no de
comportamiento en general. Para la dinmica del sistema, la causalidad incluye el
comportamiento, la forma en que se determina el valor de una variable en cada perodo de
tiempo (no se determina la forma en que cambia, que es slo una parte especial de ella).

Para qu sirven los diagramas de bucles causales?

Despus de todo, resulta que los diagramas de bucles causales son una herramienta cualitativa
que debe utilizarse slo cuando no se exige procesar la estructura en el comportamiento o
razonar sobre el comportamiento. Si se utiliza con la definicin completa o "agrega / sustrae"
despus de haber comprendido el comportamiento a travs de la simulacin, puede ayudar a
dar sentido al comportamiento encontrado; sin embargo, si las nociones especficas de la
dinmica del sistema ayudan a pensar mejor sobre el comportamiento, el valor pedaggico de
los diagramas de bucles causales puede ponerse en duda (ya que evitan confrontarse con estas
cosas).

Quizs los diagramas causales del lazo son una herramienta til para explorar creencias
referentes a la estructura causal de una situacin. Sin embargo, en situaciones en las que es
importante comprender las consecuencias conductuales de las decisiones (intervenciones), el
"razonamiento automatizado" de la simulacin se hace necesario o, al menos, deseable. Uno
podra probablemente imaginar algunas suposiciones plausibles acerca de la probable calidad
de comportamiento en casos sin bucles de retroalimentacin o cuando todos los bucles tienen
la misma polaridad; pero estos son casos extremos y no deben usarse para disear una regla.
Esto requerira un cambio de notacin en los diagramas de bucles causales (distinguir stocks y
flujos y agregar ">, 0, <"); adems, habra que identificar las "colas" (variables independientes)
y trazar su comportamiento asumido, y luego trazar las influencias superpuestas a travs de
todos los vnculos causales. Mucho trabajo: probablemente los diagramas de bucle causales
seran simplemente diagramas de "stock-and-flow" y no seran tan populares por ms tiempo.

Por lo tanto, parece que los diagramas de bucles causales son tan populares porque estn bien
adaptados al pensamiento intuitivo. Pero si la situacin actual requiere clculos en los que el
pensamiento intuitivo es malo, uno esperara que las herramientas mejoraran este pensamiento
(y no tener las mismas deficiencias). Por otro lado, si la situacin es polticamente delicada o el
tiempo presiona, un enfoque como SODA puede ser ms conveniente: no obliga a separar la
estructura de la conducta y por lo tanto es ms fcil de usar.

De qu manera puede el uso de diagramas de bucle causales ayudar a descubrir o articular

(atribuye) los vnculos causales? Cmo se reconocen generalmente? Volvamos a las dos
primeras fases presentadas en el modelo conceptual de la figura 3 (p.5):

1) cmo llegamos a considerar algo como una variable relevante?

2) cmo llegamos a creer en la existencia de una relacin causal entre dos variables?

Intentaremos explorar esta cuestin utilizando las diferentes herramientas del ejemplo de
poblacin.

Figura: el caso de la poblacin como un mapa causal o diagrama de bucle causal

Empezamos a reafirmar el CLD tpico, donde la mayora de la gente est tentada a usar la
definicin "popular" y por lo tanto proyecta informacin estructural en conclusiones
conductuales que pueden ser fcilmente engaosas.

Figura: el caso de la poblacin como mapa conceptual

Cuando el mismo caso se expresa como un mapa conceptual, parece que hay exactamente la
misma informacin estructural que en el CLD. Tenga en cuenta que en este ejemplo, he utilizado
la definicin de "agrega a" (sin embargo, tambin se pueden nombrar los enlaces de acuerdo
con las otras definiciones). El hecho de hacerlo puede ser visto como un poco de ayuda para
pensar adecuadamente sobre las relaciones causales.

Figura: el caso poblacional como un mapa cognitivo

Cuando la historia es contada por un mapa cognitivo, vemos que los aspectos conductuales
estn ahora explcitamente establecidos en las "construcciones" (y no es necesario calcularlas
basadas en las indicaciones de polaridad). Esto es menos general que un diagrama de bucle
causal (que ofrece la estructura para todos los casos de comportamiento sin contaminarlo con
informacin acerca de uno de los posibles contextos de comportamiento).
 Figura: el caso poblacional como diagrama de influencia

El diagrama de influencia nos recuerda que la "poblacin" es de un tipo diferente al de las otras
variables. Esto no se expresa en el CLD; sin embargo, el observador tiene que hacer el
pensamiento para entender lo que significa esta diferencia.

Figura: el caso poblacional como un diagrama de stock y flujo

Visto como un diagrama de stock y flujo, es ms fcil ver que la tasa de natalidad "aade" y la
tasa de mortalidad "resta". Pero aun as: qu diferencia hace esto?

Figura: el caso poblacional como diagrama de stock y flujo con informacin de comportamiento

Todo cambia con la simulacin. Cada uno de los paquetes de software de modelado mayor tiene
su propia manera de visualizar el comportamiento de las variables en el contexto del diagrama
de stock y flujo. Ahora uno puede ver fcilmente lo que la estructura actual, junto con el
contexto del parmetro, significa en trminos de comportamiento.

Si la estructura se infiere del comportamiento y luego se utiliza para generar el comportamiento,

usar una herramienta que represente solamente la estructura obliga al usuario a llevar la parte
conductual en su mente. Si bien esto puede esperarse de un usuario experimentado, un
principiante se queda con un problema. Debido a la aparente sencillez de la herramienta, puede
obtener rpidamente una sensacin de progreso; sin embargo, su modelo mental de lo que el
diagrama significa puede contener todo tipo de errores relacionados con el comportamiento del
modelo, y como esta parte no se articula, no est abierta a la crtica ya la mejora subsiguiente.

Se deduce que los diagramas causales de bucle no deben utilizarse sin la gua de un modelador
experimentado que sealar los aspectos adecuados de comportamiento.

El caso de la poblacin es, sin duda, muy simple. Dado que no implica bucles de
retroalimentacin, el diagrama de bucle causal no podra desempear su ventaja de anotacin
sobre mapas conceptuales o mapas cognitivos. Tampoco ganamos mucho utilizando un
diagrama de influencia. El diagrama de stock y flujo no era ms complejo de dibujar, pero tena
la gran ventaja de permitir la simulacin, permitiendo a la herramienta mostrar el
comportamiento. Esta retroalimentacin en tiempo real del significado de la estructura es una
gran ayuda, tambin durante el modelado, ya que ayuda a descubrir inconsistencias y errores.
No puede ser ofrecido por CLD.
En los casos ms complejos, donde hay bucles de retroalimentacin que interactan, los
diagramas causales del lazo tienen una ventaja sobre los otros lenguajes del diagrama: los lazos
de la regeneracin existen como concepto y tienen un smbolo para ser representado
explcitamente en el diagrama. Sin embargo, incluso el ms experto de dynamicists de sistema
no ser capaz de guiar a sus clientes a travs de las interpretaciones de comportamiento sin
simular.

En conclusin: CLD debe ser prohibido de uso como herramienta de bsqueda de decisiones y
se limita a explorar las creencias causales (estructurales) - donde ms poder expresivo que las
otras herramientas presentadas aqu:

mapas conceptuales y cognitivos no se centran en las variables y la estructura causal y

desperdiciar la energa mental; pueden ser incluso ms intuitivas, pero su producto
todava tiene que traducirse en trminos de variables;
los diagramas causales se esfuerzan por comprender casos mejor descritos en trminos
de eventos discretos;
los mapas causales carecen de la posibilidad de expresar "bucle de retroalimentacin"
y "retraso".

Otro uso recomendable podra ser a efectos de simplificacin al explicar el comportamiento del
modelo de simulacin. Sin embargo, sigue existiendo una gran duda en cuanto a cun
ordenadamente se puede separar mentalmente el comportamiento de la estructura: despus
de todo, no podemos inferir estructura sin comportamiento y no podemos conjeturar
comportamiento sin estructura. Al final, el enfoque del "modelo conceptual" descrito por
Richardson (2006) puede ser ms fructfero para la dinmica del sistema.

Uno puede tratar el "uso del mdico" y el "uso de la enseanza" de una forma diferente. Se ha
argumentado que, dado que los practicantes no usan CLDs para lo que no estn destinados, las
deficiencias de este lenguaje de diagrama no importan mucho 12. Sin embargo, en "teaching
use", esto puede ser diferente. Consideremos el libro de texto (probablemente) ms utilizado,
"Dinmica de negocios" (Sterman, 2000), que introduce "estructura y comportamiento de
sistemas dinmicos" en el captulo 4 usando diagramas de bucles causales. Luego, estos
diagramas son la primera de las "herramientas para el pensamiento sistmico" que se
introducirn. Posteriormente, la discusin se traslada a diagramas de stock y de flujo, y cada uno
de los comportamientos genricos en analizar en profundidad. Sin embargo, durante estos
primeros captulos (y los "desafos" propuestos a los estudiantes), la discusin se basa en los
CLD; siempre que existan dudas en cuanto a las consecuencias de una relacin causal especfica,
los estudiantes tendrn que establecer un ejemplo y computarse por s mismos. El beneficio
evidente es que cuando tales dudas no surgen, la discusin es mucho ms rpida y uno puede
permanecer centrado en los artculos esenciales.

Probablemente hay un trade-off: la sencillez de CLD es una ventaja para introducir rpidamente
problemas intuitivos, pero no son de mucha ayuda una vez que la discusin va ms all de lo
que es intuitivo. Tal vez una estrategia sabia sera evitar una posicin cualquiera o combinar
ambos, los CLD y los modelos stock-andflow en una herramienta de aprendizaje; se han dado
pasos en esta direccin, por ejemplo en el caso del entorno de aprendizaje "MacroLab" (Wheat,
2007).

Bibliografa
 Martin Schaffernicht, Causality and diagrams for system dynamics, Facultad de
Ciencias Empresariales - Universidad de Talca
Medio Ambiente y Teora de Sistemas, https://es.slideshare.net/pepe.moranco/el-
medio-ambiente-y-la-teora-de-sistemas