# Cargar el paquete deSolve para utilizar funciones de resolución de ecuaciones diferenciales
library("deSolve")
library("ggplot2")
# Establecer las condiciones iniciales de la variable de estado
inicial.conditions<-c(arm_stock_A = 1, #percent needed to destroy B
arm_stock_B = 1)#percent needed to destroy A
# Definir el vector de tiempos para la simulación
times<-seq(0,100, by = 1)#Años (100 meses cada mes)
# Definir la función del modelo
model_gang_arms<-function(t, state, parameters){
with(as.list(c(state, parameters)),{
#Variables Auxiliares o endógenas
relative_arming_rate_A = (overassesment_factor_B_by_gang_A * arms_obsolence_rate_A * arm_stock_B) - (arms_obsolence_rate_A * arm_stock_A)
relative_arming_rate_B = (overassesment_factor_A_by_gang_B * arms_obsolence_rate_B * arm_stock_A) - (arms_obsolence_rate_B * arm_stock_B)
#Variables de flujo (son las que modifican a las variables de estado)
arming_gang_A = autonomous_arming_rate_A + relative_arming_rate_A
arming_gang_B = autonomous_arming_rate_B + relative_arming_rate_B
# variable de estado (se establece su ecuación diferencial de ahí viene la d)
darm_stock_A = arming_gang_A
darm_stock_B = arming_gang_B
# Devuelve los resultados de la variable de estado
return(list(c(darm_stock_A,
darm_stock_B)))
})
}
# Definir los parámetros del modelo
parameters<-c(autonomous_arming_rate_A = 0.05,
autonomous_arming_rate_B = 0.05,
arms_obsolence_rate_A = 0.1,
arms_obsolence_rate_B = 0.1,
overassesment_factor_B_by_gang_A = 1.1,
overassesment_factor_A_by_gang_B = 1
) #%Rate variables exógenas
parameters2<-c(autonomous_arming_rate_A = 0.05,
autonomous_arming_rate_B = 0.05,
arms_obsolence_rate_A = 0.1,
arms_obsolence_rate_B = 0.1,
overassesment_factor_B_by_gang_A = 0.5,
overassesment_factor_A_by_gang_B = 1
) #%Rate variables exógenas
# Seleccionar el método de integración a utilizar en la simulación, en este caso 'rk4' (Runge-Kutta de 4to orden)
intg.method<-c("rk4")
# Realizar la simulación utilizando la función 'ode' del paquete deSolve
out <- ode(
y = inicial.conditions , #condiciones iniciales
times = times, #tiempo de simulación
func = model_gang_arms, #función del modelo
parms = parameters ,
method = intg.method
)
out2 <- ode(
y = inicial.conditions , #condiciones iniciales
times = times, #tiempo de simulación
func = model_gang_arms, #función del modelo
parms = parameters2 ,
method = intg.method
)
graph1<-as.data.frame(out)
# Graficar los resultados de la simulación
graph2<-as.data.frame(out)
# Graficar los resultados de la simulación
graph3<-as.data.frame(out2)
# Graficar los resultados de la simulación
graph4<-as.data.frame(out2)
# Graficar los resultados de la simulación
g1 = ggplot(graph1, aes(x=time, y=arm_stock_A)) +geom_line()
g1
g2 = ggplot(graph2, aes(x=time, y=arm_stock_B)) +geom_line()
g2
g3 = ggplot(graph3, aes(x=time, y=arm_stock_A)) +geom_line()
g3
g4 = ggplot(graph4, aes(x=time, y=arm_stock_B)) +geom_line()
g4
En el primer escenario, se observa el caso donde la pandilla A tenia un factor de sobrevaloración por encima del real. Los modelos observados nos indican como las 2 pandillas optaron por almacenar una gran cantidad de armas por el temor de no ser destruido. Dado que la pandilla A tenía mas armas por su estimación desajustada, la pandilla B reaccionaba y compraba más armas. En este modelo, la pandilla A almacena más armás que la pandilla B.
En el segundo escenario, se observa como las dos pandillas almacenan armas a un nivel más moderado. En este caso, el factor de sobrevaloración de la pandilla A estaba por debajo del real. Esto ocasionaba que la pandilla B no reaccionara tan abruptamente como lo hacía en el escenario anterior. El modelo nos indica que la acumulación de armas en el mes 100 es hasta 4 veces menor que en el escenario inicial.
library("gridExtra")
library("ggpubr")
grid.arrange(g1, g2, g3, g4,ncol=2)