Technology Rain Journal ISSN: 2953-464X
Vol. 4 Núm. 1 (Enero – Junio 2025),e67.
https://technologyrain.com.ar/
Artículo de Investigación Original
Implementación de simulación de tráfico con Python usando el Modelo de Gas
de Tráfico como herramienta didáctica para fomentar el interés en
matemáticas y estadística en estudiantes de cuarto año de la Unidad Educativa
Chimborazo.
Implementation of traffic simulation with Python using the Traffic Gas Model as a
teaching tool to promote interest in mathematics and statistics in fourth-year
students of the Chimborazo Educational Unit.
Juan Carlos Rodríguez León1[0000-0002-5183-8650], Manuel Antonio Meneses Freire2[0000-0001-8182-3153]
1Universidad Nacional de Chimborazo – Maestrante de la Dirección de Posgrado - Ecuador, carlos.rodriguez@unach.edu.ec,
2Universidad Nacional de Chimborazo – Facultad de Ingeniería – Carrera de Ingeniería en Telecomunicaciones - Ecuador,
ameneses@unach.edu.ec.
CITA EN APA:
Juan Carlos , J. C., & Meneses
Freire, M. A. (2025).
Implementación de simulación de
tráfico con Python usando el Modelo
de Gas de Tráfico como herramienta
didáctica para fomentar el interés en
matemáticas y estadística en
estudiantes de cuarto año de la
Unidad Educativa Chimborazo.
Technology Rain Journal, 4(1).
https://doi.org/10.55204/trj.v4i1.e67
Recibido: 21 de febrero-2025
Aceptado: 25 de marzo-2025
Publicado: 7 de abril-2025
Technology Rain Journal
ISSN: 2953-464X
Resumen. La matemática y la estadística en las instituciones educativas se
perciben como materias abstractas y difíciles, reduciendo la motivación de los
estudiantes para profundizar en estos conocimientos esenciales. En este
contexto, la utilización de simulaciones ayuda a los estudiantes a visualizar
conceptos complejos en aplicaciones prácticas fomentando un aprendizaje
significativo. El objetivo general fue implementar la simulación de tráfico
mediante código Python usando el Modelo Gas de Tráfico como una herramienta
didáctica para aumentar el interés y motivación en estudiantes de cuarto año de
la Unidad Educativa PCEI Chimborazo. La metodología fue cuantitativa, con
una muestra de 60 alumnos. Como resultados se pudo observar que el 95% de
los estudiantes desarrolló interés en la temática y el 93,3% se sintió motivado
tras la intervención. Los resultados ponen en evidencia que el uso de
simulaciones convierte a la matemática y estadística en ciencias más
inspiradoras, accesibles y relevantes para los estudiantes.
Palabras Clave: Aprendizaje significativo, Python, Motivación, Enseñanza,
Simulación.
Los contenidos de este artículo están
bajo una licencia de Creative
Commons Attribution 4.0
International (CC BY 4.0 )
Los autores conservan los derechos
morales y patrimoniales de sus obras.
Abstract: Mathematics and statistics are perceived in educational
institutions as abstract and difficult subjects, reducing students'
motivation to delve deeper into these essential knowledges. In this
context, the use of simulations helps students visualize complex
concepts in practical applications, fostering meaningful learning. The
overall objective was to implement a traffic simulation using Python
code using the Gas Traffic Model as a teaching tool to increase interest
and motivation among fourth-year students at the PCEI Chimborazo
Educational Unit. The methodology was quantitative, with a sample of
60 students. The results showed that 95% of students developed interest
in the subject and 93.3% felt motivated after the intervention. The results
demonstrate that the use of simulations makes mathematics and statistics
more inspiring, accessible, and relevant for students.
Keywords: Meaningful learning, Python, Motivation, Teaching,
Simulation.
2
https://technologyrain.com.ar/
1. INTRODUCCIÓN
En las instituciones educativas, la matemática y la estadística se perciben como
materias abstractas y difíciles, lo que reduce significativamente la motivación de los
estudiantes para profundizar en estos conocimientos fundamentales (Mayorga et al., 2025).
Esta desmotivación está vinculada a métodos de enseñanza tradicionales que enfatizan la
memorización y el uso de procedimientos repetitivos sin demostrar la aplicabilidad de los
conceptos en situaciones reales (Ureta et al., 2024). Como consecuencia, muchos alumnos
experimentan ansiedad matemática, lo que se traduce en un desinterés progresivo que afecta
su rendimiento académico y su disposición para explorar disciplinas clave como la ciencia,
la tecnología, la ingeniería, la estadística y las matemáticas (Flores et al., 2024; Pino et al.,
2022).
El desinterés en estas áreas se intensifica por la falta de experiencias prácticas y
dinámicas que fomenten la curiosidad y el pensamiento crítico. La enseñanza centrada
exclusivamente en la teoría limita la capacidad de los estudiantes para establecer conexiones
significativas entre los contenidos y su entorno cotidiano, lo que refuerza la percepción de
que las matemáticas y la estadística carecen de relevancia en su vida diaria (Reyes et al.,
2021; Sombría et al., 2024).
En este contexto, el uso de simulaciones computacionales emerge como una
estrategia eficaz para transformar la enseñanza de las matemáticas y la estadística. Las
simulaciones permiten modelar fenómenos complejos de manera visual e intuitiva,
facilitando la comprensión de conceptos abstractos a través de representaciones dinámicas y
manipulables. Al integrar simulaciones en el aula, los estudiantes interactúan con modelos
matemáticos, exploran distintas variables y observan cómo los cambios afectan los
resultados, promoviendo un aprendizaje activo y significativo. De esta manera, se logra
reducir la ansiedad matemática, incrementar la motivación y mejorar la percepción sobre la
utilidad de estas disciplinas en la resolución de problemas del mundo real (Arróliga, 2024;
Duarte, 2024; Vieira, 2021).
La simulación de tráfico utilizando Google Colab se presenta como una alternativa
didáctica efectiva para fortalecer la enseñanza de matemáticas y estadística (Esnaola, 2022;
Sanz et al., 2023). La modelización de sistemas dinámicos, como el tráfico vehicular,
permite ilustrar principios fundamentales de probabilidad, estadísticas descriptivas, teoría de
colas y sistemas complejos, en donde los estudiantes observan cómo pequeños cambios en
los parámetros iniciales influyen en la evolución de un sistema en el tiempo, lo que fomenta
el pensamiento crítico y analítico. Además, la implementación de estos modelos en entornos
de programación como Python no solo mejora la comprensión matemática, sino que también
Technology Rain Journal ISSN: 2953-464X (2023) 3
https://technologyrain.com.ar/
introduce a los estudiantes en el pensamiento computacional, una habilidad indispensable en
la era digital (Pliego, 2023; Riera, 2023; Salazar et al., 2024).
El objetivo general de esta investigación es implementar la simulación de tráfico
mediante código en Python, utilizando el Modelo de Gas de Tráfico como una herramienta
didáctica para incrementar el interés y la motivación en estudiantes de cuarto año de la
Unidad Educativa PCEI Chimborazo en noviembre de 2024. Este modelo, basado en la
analogía entre el comportamiento de los vehículos en una carretera y el movimiento de
partículas en un gas, permite explorar conceptos como densidad, velocidad promedio,
probabilidad de congestión y propagación de ondas de choque en el tráfico. A través de la
experimentación con estos modelos, los estudiantes desarrollarán una comprensión más
profunda de los fenómenos estocásticos y las ecuaciones diferenciales que rigen el tráfico
vehicular.
Para alcanzar este objetivo, la investigación adopta una metodología cuantitativa con
un diseño descriptivo transversal, aplicando encuestas a los estudiantes antes y después de
la intervención para medir los niveles de interés y motivación en relación con el aprendizaje
de matemáticas y estadística. Estos instrumentos permiten recopilar datos cuantitativos sobre
la percepción de los alumnos respecto a la utilidad de la simulación como herramienta de
aprendizaje y su impacto en la comprensión de los temas abordados.
Se diseñó un plan de clase para introducir a los estudiantes en el uso de simulaciones
como herramienta para fortalecer el aprendizaje de matemáticas y estadística. La sesión
incluyó una introducción teórica sobre modelos matemáticos aplicados al tráfico vehicular,
explicando el Modelo de Gas de Tráfico y sus fundamentos. Se abordaron conceptos como
la distribución de velocidades, la influencia de la densidad vehicular y la formación de
patrones de congestión. A través de preguntas reflexivas y casos de estudio sobre movilidad
urbana, se incentivó la participación activa. Luego, se presentaron simulaciones en Python
que permitieron visualizar en tiempo real la evolución del tráfico, integrando reglas como
aceleración, frenado e interacción con semáforos, lo que facilitó la comprensión mediante
representaciones gráficas y animaciones en formato GIF.
Finalmente, se aplicaron encuestas antes y después de la actividad para evaluar los
cambios en el interés y motivación de los estudiantes. Se realizó un resumen de los conceptos
abordados y se incentivó a los participantes a continuar explorando el uso de simulaciones
como una herramienta innovadora en el aprendizaje de ciencias exactas. Este enfoque busca
no solo mejorar la motivación y el rendimiento en matemáticas y estadística, sino también
promover el desarrollo de habilidades analíticas y computacionales esenciales en el ámbito
académico y profesional.
4
https://technologyrain.com.ar/
2. METODOLOGÍA O MATERIALES Y MÉTODOS
La metodología empleada en este estudio fue de carácter cuantitativo, con un diseño
descriptivo transversal, permitiendo observar y describir las características de una población
específica en un momento determinado. Este enfoque se centra en medir el impacto de una
intervención didáctica específica (la simulación de tráfico con Python) en el interés y motivación de
los estudiantes en las áreas de matemáticas y estadística.
Para evaluar el impacto de la implementación de la simulación de tráfico como herramienta
didáctica, se utilizaron encuestas aplicadas a los estudiantes antes y después de la intervención. Las
encuestas previas (pre-intervención) permitieron obtener un diagnóstico inicial sobre el nivel de
interés y motivación que los estudiantes tienen hacia las matemáticas y la estadística antes de la
implementación de la herramienta. Posteriormente, se aplicó una encuesta posterior a la intervención
(post-intervención) con el fin de registrar cualquier cambio en la motivación y percepción de los
estudiantes hacia estas materias después de haber experimentado la simulación.
El uso de encuestas permitió recopilar datos cuantitativos para analizar y comparar los
resultados antes y después de la intervención. Estos datos facilitaron el análisis estadístico de las
variaciones en las respuestas de los estudiantes, para identificar si la herramienta utilizada
(simulación de tráfico con Python) logra un efecto positivo en la percepción y compromiso de los
estudiantes hacia el aprendizaje de matemáticas y estadística. Con base en los resultados obtenidos,
se extraen conclusiones sobre la efectividad de la herramienta didáctica implementada, así como
recomendaciones para futuras aplicaciones en contextos educativos similares.
Se empleó un muestreo aleatorio no probabilístico, la muestra estuvo compuesta por 60
estudiantes de cuarto año de la Unidad Educativa PCEI Chimborazo, quienes fueron seleccionados
de manera aleatoria dentro de los grupos de cuarto año disponibles durante el mes de febrero de
2025.
Los instrumentos utilizados fueron cuestionarios estructurados para cuantificar el nivel de
interés y motivación. La validación de los instrumentos se llevó a cabo mediante la revisión de
expertos en el área educativa Anexo 2, asegurando la confiabilidad y pertinencia de las preguntas
para captar adecuadamente las variables de interés y asegurar la validez del estudio.
3. RESULTADOS Y DISCUSIÓN
3.1. Desarrollo de la clase
Se diseñó un plan de clase detallado, adjunto como Anexo 1, con el propósito de introducir
a los estudiantes de cuarto año de la Unidad Educativa Chimborazo en el uso de simulaciones como
una herramienta para fortalecer el aprendizaje de matemáticas y estadística. La estructura de la clase
incluyó una introducción teórica sobre la aplicación de modelos matemáticos en la simulación de
Technology Rain Journal ISSN: 2953-464X (2023) 5
https://technologyrain.com.ar/
tráfico vehicular, seguida de la exposición del Modelo de Gas de Tráfico, donde se explicaron sus
fundamentos matemáticos y estadísticos.
Para fortalecer la comprensión, se fomentó la participación activa mediante preguntas
orientadas a la reflexión y la aplicación del modelo en escenarios reales. Posteriormente, se presentó
simulaciones en Python que permitió la visualización en tiempo real del comportamiento del tráfico
bajo distintas condiciones. Los códigos desarrollados implementaron reglas básicas como la
aceleración y frenado de los autos, la simulación de incertidumbre en la conducción y la
visualización de la evolución del tráfico en cada iteración mediante gráficos en escala de grises.
Adicionalmente, se mostraron simulaciones avanzadas que incluían la interacción de los vehículos
con semáforos, generando animaciones en formato GIF para una mejor comprensión del fenómeno.
Finalmente, se aplicaron encuestas antes y después de la actividad para evaluar cambios en
el interés y motivación de los estudiantes. Se realizó un resumen de los conceptos abordados y se
incentivó a los participantes a seguir explorando el uso de simulaciones en el aprendizaje de ciencias
exactas.
3.2. Modelo de gas de tráfico
Densidad del tráfico (��):
La densidad representa el número de vehículos por unidad de longitud de carretera:
�� =
��
��
donde:
• N es el número total de vehículos en la carretera.
• L es la longitud de la carretera.
Velocidad media (�̅�):
Se define como el promedio de las velocidades de todos los vehículos en la carretera:
�̅� =
��
��
∑ ����
��
��=��
dónde ���� es la velocidad del i-ésimo vehículo.
Flujo de tráfico (J):
El flujo de vehículos (o caudal) es la cantidad de autos que pasan por un punto por unidad
de tiempo:
�� = ���̅�
Este concepto muestra cómo la densidad y la velocidad afectan la fluidez del tránsito.
6
https://technologyrain.com.ar/
Ecuación de Continuidad del Tráfico:
Similar a la ecuación de continuidad en dinámica de fluidos, describe la conservación de la
cantidad de vehículos:
����
����
+
����
����
= 0
Esto indica que cualquier cambio en la densidad y en el tiempo se debe a un flujo neto de
vehículos entrando o saliendo de un punto.
Relación Fundamental del Tráfico:
La velocidad promedio de los vehículos disminuye cuando la densidad del tráfico aumenta,
lo que se modela con la función:
�� ̅(��) = �������� (�� −
��
��
������
)
dónde:
�������� es la velocidad máxima posible de los autos en condiciones óptimas.
�������� es la densidad máxima, es decir, cuando los vehículos están completamente detenidos
en congestión.
Este modelo se usa en la teoría del tráfico para analizar fenómenos como la formación de
atascos, la dispersión de ondas de choque en el tráfico y la optimización del flujo vehicular en
carreteras y ciudades.
En este caso, analizamos la relación entre la densidad del tráfico y el flujo de vehículos
utilizando la ecuación fundamental:
�� = �� ∗ ��
������
(�� −
��
��
������
)
Este código grafica la relación fundamental del tráfico, mostrando cómo el flujo cambia con
la densidad.
import numpy as np
import matplotlib.pyplot as plt
# Parámetros del modelo
v_max = 30 # Velocidad máxima (km/h)
rho_max = 1 # Densidad máxima (vehículos/km)
# Definir rango de densidades
rho = np.linspace(0, rho_max, 100) # Densidad del tráfico (vehículos/km)
# Calcular el flujo de tráfico usando la ecuación fundamental
J = rho * v_max * (1 - rho / rho_max)
Technology Rain Journal ISSN: 2953-464X (2023) 7
https://technologyrain.com.ar/
# Graficar la relación fundamental del tráfico
plt.figure(figsize=(8, 5))
plt.plot(rho, J, label="Flujo de tráfico", color="b", linewidth=2)
plt.axvline(rho_max / 2, linestyle="--", color="r", label="Densidad crítica")
plt.xlabel("Densidad del tráfico (vehículos/km)")
plt.ylabel("Flujo de tráfico (vehículos/h)")
plt.title("Relación Fundamental del Tráfico")
plt.legend()
plt.grid()
plt.show()
Definimos los parámetros:
Velocidad máxima de los autos (��������=30 km/h).
Densidad máxima de la carretera (��������=1 vehículo/km).
El flujo aumenta a medida que la densidad crece, pero después de cierto punto (densidad crítica),
el flujo disminuye debido a la congestión.
Cuando la densidad sigue aumentando, el flujo disminuye porque los autos están más
congestionados y se mueven más lento.
3.3. Aplicación de las simulaciones
Inicialización del escenario 1: Se creó una carretera con celdas vacías y autos ubicados
aleatoriamente Anexo 1.
8
https://technologyrain.com.ar/
Reglas del modelo:
Los autos aceleran hasta una velocidad máxima.
Frenan si hay un auto adelante.
Pueden frenar aleatoriamente para simular comportamiento humano.
Evolución del tráfico: Cada iteración muestra cómo cambian las posiciones y velocidades
de los autos.
Visualización: Matriz de color gris para mostrar la carretera en cada paso.
Fig. 1. Simulación de tráfico
Escenario 2:
Representa los autos como partículas rojas ('ro') en la carretera Simula el movimiento del tráfico en
cada cuadro Guarda la animación como un GIF llamado "simulacion_trafico_particulas.gif"
Se muestra directamente en Google Colab. Anexo 2.
Technology Rain Journal ISSN: 2953-464X (2023) 9
https://technologyrain.com.ar/
Fig. 2. Simulación de tráfico en partículas
Escenario 3:
Simula un sistema de tráfico con vehículos que se detienen en un semáforo rojo y avanzan cuando el
semáforo es verde Anexo 3.
Cambia el estado del semáforo cada cierto número de pasos.
Genera un GIF que muestra la interacción entre los vehículos y el semáforo.
Fig. 3. Simulación de tráfico y semáforo
3.4. Resultados de la actividad
Tabla 1. Resultados antes y después de la actividad
Pre1 Post1
Interesado Nada interesado Si No
Recuento
% de N totales de
fila
Recuento
% de N totales de
fila
Recuento
% de N totales de
fila
Recuento
% de N totales de
fila
8 13,30% 52 86,70% 57 95,00% 3 5,00%
Pre2 Post2
Motivado Nada Motivado Si No
Recuento
% de N totales de
fila
Recuento
% de N totales de
fila
Recuento
% de N totales de
fila
Recuento
% de N totales de
fila
8 13,30% 52 86,70% 56 93,30% 4 6,70%
Los resultados obtenidos a partir de la aplicación de encuestas antes y después de la actividad
demostraron un incremento significativo en el interés y la motivación de los estudiantes hacia las
matemáticas y la estadística. En la encuesta inicial, solo el 13,3% de los estudiantes manifestó estar
10
https://technologyrain.com.ar/
interesado en el tema, mientras que el 86,7% indicó no tener interés. Tras la experiencia con la
simulación en Python, el 95% de los estudiantes expresó haber desarrollado interés en la temática,
reflejando un aumento considerable en la predisposición hacia el aprendizaje.
En términos de motivación, antes de la actividad el 13,3% de los participantes se consideraba
motivado, mientras que el 86,7% no lo estaba. Luego de la implementación de la simulación, el
93,3% de los estudiantes se sintió motivado, evidenciando un impacto positivo en su percepción del
aprendizaje de matemáticas y estadística. Estos resultados validan la efectividad del uso de
simulaciones interactivas como estrategia pedagógica para mejorar el interés y la motivación en el
aula.
Los resultados de este estudio respaldan la eficacia de la simulación de tráfico implementada
en Google Colab como una herramienta didáctica en el aula, favoreciendo el incremento del interés
y la motivación de los estudiantes en matemáticas y estadística.
Estos hallazgos coinciden con investigaciones previas que han demostrado cómo las
tecnologías basadas en simulaciones mejoran la comprensión de conceptos complejos en entornos
educativos.
Estudios como los de (Asqui, 2024; Castellanos et al., 2024; J. López, 2023) destacan que
las simulaciones interactivas no solo refuerzan el aprendizaje teórico, sino que también promueven
un enfoque activo al involucrar a los estudiantes en la resolución de problemas aplicados.
De manera similar, (Diez et al., 2023; Enriquez, 2024; García, 2024; Jara, 2024) resaltan que
plataformas como Google Colab permiten integrar programación y visualización de datos en la
enseñanza, haciendo los contenidos más accesibles y atractivos para los alumnos.
En línea con estos estudios, la presente investigación demuestra que el uso de simulaciones
en Google Colab facilita la conexión entre los conceptos matemáticos y estadísticos y su aplicación
en situaciones reales, como el tráfico vehicular, fomentando la participación activa y el compromiso
de los estudiantes en el aprendizaje. Además, su implementación fortalece el desarrollo de
habilidades tecnológicas, aspecto indispensable en el entorno educativo actual.
La incorporación de herramientas innovadoras como Python en el aula no solo es viable,
sino que representa una estrategia efectiva para transformar la enseñanza de áreas tradicionalmente
percibidas como desafiantes y con bajos niveles de motivación estudiantil (M. Flores, 2024; Huillca,
2024; F. López, 2024; Pinargote et al., 2024).
4. CONCLUSIONES
Los resultados de esta investigación evidencian que el uso de simulaciones interactivas en la
enseñanza de matemáticas y estadística genera un impacto positivo en la motivación y el interés de
los estudiantes. A partir de la evaluación inicial, se identificó un nivel bajo de motivación hacia
Technology Rain Journal ISSN: 2953-464X (2023) 11
https://technologyrain.com.ar/
estas materias, confirmando la necesidad de innovar en las estrategias pedagógicas para mejorar la
percepción estudiantil.
La simulación de tráfico basada en el Modelo de Gas de Tráfico, diseñada e implementada
en Python, permitió a los estudiantes visualizar de manera dinámica y aplicada los conceptos
matemáticos y estadísticos. Su integración didáctica facilitó la conexión entre la teoría y su
aplicabilidad en contextos reales, promoviendo un aprendizaje más significativo y participativo.
La comparación entre la encuesta pre y post-intervención mostró un aumento en el nivel de
interés y motivación de los estudiantes, lo que demuestra que la incorporación de herramientas
tecnológicas en el aula puede ser una estrategia efectiva para reducir la percepción de dificultad y
desinterés en matemáticas y estadística. Estos hallazgos resaltan la importancia de continuar
explorando metodologías innovadoras que refuercen el aprendizaje mediante experiencias
interactivas y contextualizadas.
AGRADECIMIENTOS
Agradecimiento a la Universidad Nacional de Chimborazo y Unidad Educativa PCEI
Chimborazo, a la Red de Investigación en Ingeniería e Informática Ri3.
FINANCIACIÓN
Esta investigación no recibió financiamiento externo.
CONFLICTO DE INTERESES
El autor declara no tener ningún conflicto de interés.
CONTRIBUCIÓN DE AUTORÍA
En concordancia con la taxonomía establecida internacionalmente para la asignación de créditos a autores de
artículos científicos (https://credit.niso.org/). Los autores declaran sus contribuciones en la siguiente matriz:
Ju
an
C
ar
lo
s
R
o
d
rí
g
u
e
z
L
e
ó
n
M
a
n
u
e
l
A
n
to
n
io
M
e
n
es
es
F
re
ir
e
Participar activamente en:
Conceptualización X X
Análisis formal X X
Adquisición de fondos X
Investigación X
Metodología X X
Administración del proyecto X
Recursos X
Redacción –borrador original X
Redacción –revisión y edición X X
La discusión de los resultados X X
Revisión y aprobación de la versión final del trabajo. X X
12
https://technologyrain.com.ar/
REFERENCIAS
Arróliga, J. (2024). Innovación en prácticas docentes y desarrollo de competencias digitales en la Universidad Jean Jacques
Rousseau. Revista científica de estudios sociales, 3(5), Article 5. https://doi.org/10.62407/rces.v3i5.138
Asqui, B. (2024). Recursos educativos digitales para mejorar el aprendizaje en matemáticas. Esprint Investigación, 3(1), 59-72.
Castellanos, M., Zuña, C., Andrade, M., & Ruiz, A. (2024). Un Enfoque Innovador: Cooperación y Tecnología en el Aula. Revista
Científica UISRAEL, 11(2), Article 2. https://doi.org/10.35290/rcui.v11n2.2024.1136
Diez, M., Rojas, I., Rodríguez, V., & Coello, L. (2023). Herramientas interactivas para el trazado de las características mecánicas
en accionamientos eléctricos. Ingeniería Energética, 44(3), 28-37.
Duarte, N. (2024). Tecnología educativa: Estrategias para el fortalecimiento del aprendizaje del inglés en niños a través de
asesorías académicas. http://repository.unad.edu.co/handle/10596/65009
Enriquez, M. (2024). La cultura digital de estudiantes de noveno grado en el desarrollo de objetivos específicos matemáticos del
Programa de Bachillerato Internacional. https://tesis.pucp.edu.pe/repositorio//handle/20.500.12404/27958
Esnaola, L. (2022). Experiencia de uso de Google Colaboratory en Sistemas Inteligentes. III WORKSHOP DE INNOVACIÓN Y
TRANSFORMACIÓN EDUCATIVA. http://repositorio.unnoba.edu.ar/xmlui/handle/23601/652
Flores, A., Parrales, D., Mendoza, I., & Pisco, D. (2024). Uso de Padlet en la Motivación y el Aprendizaje Colaborativo en
Ciencias Naturales: Un Estudio Descriptivo en la Educación Básica Superior. Arandu UTIC, 11(2), Article 2.
https://doi.org/10.69639/arandu.v11i2.378
Flores, M. (2024). Uso de Google Classroom en la enseñanza del inglés en docentes del nivel secundario de Huancabamba, 2024.
Repositorio Institucional - UCV. https://repositorio.ucv.edu.pe/handle/20.500.12692/151299
García, M. (2024). Código Python para la simulación de detección de exoplanetas. https://hdl.handle.net/20.500.12371/21890
Huillca, A. (2024). Análisis aplicando redes neuronales artificiales para incrementar la producción de acarreo de material estéril
de las fases 5 y 3 del tajo Ferrobamba – Las Bambas – Apurímac.
https://repositorio.unsaac.edu.pe/handle/20.500.12918/8579
Jara, F. (2024). La inteligencia artificial generativa en el aula de física y química. http://dspace.umh.es/handle/11000/32995
López, F. (2024). El aula prosocial digital. Uso de TIC para el desarrollo emocional y social en educación: Una propuesta
educativa. http://dspace.umh.es/handle/11000/33149
López, J. (2023). Últimos avances en redes de cápsulas orientados a la reducción de carga computacional y uso de memoria:
Evaluación y aplicaciones. http://hdl.handle.net/10317/12839
Mayorga, L., Hernández, C., López, L., & Mayorga, M. (2025). Aporte de la asignatura matemáticas para carreras universitarias.
593 Digital Publisher CEIT, 10(Extra 1), 231-247.
Pinargote, J., Lino, V., & Vera, B. (2024). Python en la enseñanza de las Matemáticas para estudiantes de nivelación en Educación
Superior. MQRInvestigar, 8(3), Article 3. https://doi.org/10.56048/MQR20225.8.3.2024.3966-3989
Technology Rain Journal ISSN: 2953-464X (2023) 13
https://technologyrain.com.ar/
Pino, N., Melchor, N., & Mejía, C. (2022). La experiencia de la construcción de modelos matemáticos aplicado ala ecología:
Implementando simulaciones computacionales como punto de inicio. Campus, 27(33), 131-142.
https://doi.org/10.24265/campus.2022.v27n33.09
Pliego, J. (2023). Evolución estadística de separaciones, nulidades y divorcios en los años 2013-2020.
http://dspace.umh.es/handle/11000/29754
Reyes, M., Ambrocio, S., & Vélez, D. (2021). Inducción a las matemáticas empleando objetos de aprendizaje y diseño
instruccional. XIKUA Boletín Científico de la Escuela Superior de Tlahuelilpan, 9(18), Article 18.
https://doi.org/10.29057/xikua.v9i18.7320
Riera, L. (2023). Desarrollo de una aplicación interactiva para el diseño de controladores PID basada en Python.
http://dspace.umh.es/handle/11000/29517
Salazar, L., López, E., & Núñez, M. (2024). Estrategias para fomentar el aprendizaje activo en el aula de pedagogía Universitaria.
Polo del Conocimiento, 9(6), Article 6. https://doi.org/10.23857/pc.v9i6.7331
Sanz, A., García, E., Sánchez, M., Puente, H., Calderón, D., Cámara, N., García, S., Moreno, D., Blanco, J., Díaz, A., & Gutiérrez,
J. (2023). Aula de innovación tecnológica para el uso de aplicaciones informáticas accesibles en las ciencias sociales .
https://hdl.handle.net/20.500.14352/87318
Sombría, J., Díaz, J., & Dormido, S. (2024). Diseño de un curso de señales y sistemas basado en herramientas interactivas.
Jornadas de Automática, 45, Article 45. https://doi.org/10.17979/ja-cea.2024.45.10828
Ureta, M., Chicaiza, I., Zumba, J., & Llerena, L. (2024). El rol de la tecnología en la Educación Básica. Ciencia y Educación, 5(8),
Article 8. https://doi.org/10.5281/zenodo.13112598
Vieira, A. (2021). Matemática com Python no colab e Google planilhas. Anais do ESEM - Encontro Sul-Mato-Grossense de
Educação Matemática. https://periodicos.ufms.br/index.php/aesmgedumat/article/view/13895
ANEXOS
Anexo 1. Simulación de tráfico
import numpy as np
import matplotlib.pyplot as plt
import time
# Parámetros de la simulación
num_celdas = 100 # Número de celdas en la carretera (longitud)
num_autos = 30 # Número de autos en la carretera
num_pasos = 50 # Número de iteraciones de la simulación
v_max = 5 # Velocidad máxima de los autos
p_freno = 0.2 # Probabilidad de frenado aleatorio (simula incertidumbre humana)
# Inicialización de la carretera con -1 indicando celdas vacías
carretera = np.full(num_celdas, -1)
14
https://technologyrain.com.ar/
# Ubicación inicial de los autos (espaciados aleatoriamente)
posiciones = np.random.choice(range(num_celdas), num_autos, replace=False)
velocidades = np.zeros(num_autos, dtype=int)
# Asignar autos a la carretera
for i, pos in enumerate(posiciones):
carretera[pos] = i
# Función para actualizar el tráfico
def actualizar_trafico():
global carretera, velocidades
nueva_carretera = np.full(num_celdas, -1)
nuevas_velocidades = np.copy(velocidades)
for i in range(num_autos):
pos_actual = posiciones[i]
distancia = 1 # Contar espacio libre delante
while (carretera[(pos_actual + distancia) % num_celdas] == -1) and distancia
<= v_max:
distancia += 1
distancia -= 1 # Ajustar distancia real
# Reglas del modelo de Nagel-Schreckenberg
if velocidades[i] < v_max:
nuevas_velocidades[i] += 1 # Acelerar si no está en velocidad máxima
if velocidades[i] > distancia:
nuevas_velocidades[i] = distancia # Reducir velocidad para evitar
colisión
if np.random.rand() < p_freno and nuevas_velocidades[i] > 0:
nuevas_velocidades[i] -= 1 # Frenado aleatorio
# Actualizar posición
nueva_pos = (pos_actual + nuevas_velocidades[i]) % num_celdas
nueva_carretera[nueva_pos] = i
posiciones[i] = nueva_pos
carretera = nueva_carretera
velocidades = nuevas_velocidades
# Función para visualizar el tráfico
def mostrar_trafico():
plt.imshow([carretera], cmap="Greys", aspect="auto")
plt.xticks([])
plt.yticks([])
plt.show()
Technology Rain Journal ISSN: 2953-464X (2023) 15
https://technologyrain.com.ar/
# Simulación
for _ in range(num_pasos):
actualizar_trafico()
mostrar_trafico()
time.sleep(0.2) # Pausa para visualizar los cambios en tiempo real
Anexo 2. Simulación de tráfico en partículas
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation
import imageio.v2 as imageio
# Parámetros de la simulación
num_celdas = 100
num_autos = 30
num_pasos = 50
v_max = 5
p_freno = 0.2
# Inicialización
carretera = np.full(num_celdas, -1)
posiciones = np.random.choice(range(num_celdas), num_autos, replace=False)
velocidades = np.zeros(num_autos, dtype=int)
for i, pos in enumerate(posiciones):
carretera[pos] = i
# Función de actualización
def actualizar_trafico():
global carretera, velocidades
nueva_carretera = np.full(num_celdas, -1)
nuevas_velocidades = np.copy(velocidades)
for i in range(num_autos):
pos_actual = posiciones[i]
distancia = 1
while (carretera[(pos_actual + distancia) % num_celdas] == -1) and distancia
<= v_max:
distancia += 1
distancia -= 1
if velocidades[i] < v_max:
nuevas_velocidades[i] += 1
if velocidades[i] > distancia:
nuevas_velocidades[i] = distancia
16
https://technologyrain.com.ar/
if np.random.rand() < p_freno and nuevas_velocidades[i] > 0:
nuevas_velocidades[i] -= 1
nueva_pos = (pos_actual + nuevas_velocidades[i]) % num_celdas
nueva_carretera[nueva_pos] = i
posiciones[i] = nueva_pos
carretera = nueva_carretera
velocidades = nuevas_velocidades
# Crear la animación con partículas en movimiento
fig, ax = plt.subplots(figsize=(10, 2))
ax.set_xlim(0, num_celdas)
ax.set_ylim(-1, 1)
ax.set_yticks([])
ax.set_xticks([])
puntos, = ax.plot([], [], 'ro', markersize=8) # 'ro' significa puntos rojos (autos)
def init():
puntos.set_data([], [])
return puntos,
def update(frame):
actualizar_trafico()
puntos.set_data(posiciones, np.zeros(num_autos)) # Autos en una sola fila
return puntos,
ani = animation.FuncAnimation(fig, update, frames=num_pasos, init_func=init,
blit=True)
# Guardar la animación como GIF
ani.save("simulacion_trafico_particulas.gif", writer='pillow', fps=10)
# Mostrar el GIF en Google Colab
from IPython.display import Image
Image(filename="simulacion_trafico_particulas.gif")
Anexo 3. Simulación de tráfico y semáforo
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation
import imageio.v2 as imageio
# Parámetros de la simulación
road_length = 50 # Longitud de la carretera
Technology Rain Journal ISSN: 2953-464X (2023) 17
https://technologyrain.com.ar/
num_vehicles = 10 # Número de vehículos
max_speed = 5 # Velocidad máxima de los vehículos
num_steps = 30 # Número de pasos en la simulación
light_duration = 5 # Duración del semáforo verde
# Inicialización de posiciones y velocidades
positions = np.sort(np.random.choice(road_length, num_vehicles, replace=False)) #
Posiciones iniciales
speeds = np.zeros(num_vehicles, dtype=int) # Velocidades iniciales en cero
light_state = 'green' # Estado inicial del semáforo
frames = [] # Lista para almacenar los frames de la simulación
# Función para actualizar las posiciones de los vehículos
def update_positions():
global positions, speeds, light_state
for i in range(num_vehicles):
# Si el semáforo está en rojo y el vehículo está cerca del semáforo, se
detiene
if light_state == 'red' and positions[i] >= road_length - 5:
speeds[i] = 0 # Detener el vehículo
else:
# Calcular distancia al vehículo de adelante
distance = (positions[(i + 1) % num_vehicles] - positions[i] - 1) %
road_length
# Aumentar la velocidad hasta el máximo o distancia
speeds[i] = min(speeds[i] + 1, max_speed, distance)
# Actualizar la posición
positions[i] = (positions[i] + speeds[i]) % road_length
# Función para cambiar el estado del semáforo
def change_light(step):
global light_state
if step % (light_duration * 2) < light_duration:
light_state = 'green'
else:
light_state = 'red'
# Simulación paso a paso y creación de imágenes
for step in range(num_steps):
change_light(step) # Cambiar el estado del semáforo
update_positions() # Actualizar posiciones y velocidades de vehículos
plt.figure(figsize=(10, 2))
plt.plot(positions, np.zeros(num_vehicles), 'o', color='black')
plt.xlim(0, road_length)
plt.ylim(-1, 1)
18
https://technologyrain.com.ar/
plt.title(f"Simulación de Tráfico - Paso {step + 1} | Semáforo:
{light_state.capitalize()}")
plt.axvline(x=road_length - 5, color='red' if light_state == 'red' else 'green',
linestyle='--', label='Semáforo')
plt.legend()
plt.axis('off')
# Guardar la figura como imagen
plt.savefig(f"frame_{step}.png")
plt.close()
# Crear GIF a partir de las imágenes guardadas
imagenes = [imageio.imread(f"frame_{step}.png") for step in range(num_steps)]
imageio.mimsave("simulacion_trafico_semaforo.gif", imagenes, fps=5)
# Mostrar el GIF en Google Colab
from IPython.display import Image
Image(filename="simulacion_trafico_semaforo.gif")