Vous êtes sur la page 1sur 8

Universalidad de los modelos matemticos en la

comprensin de la naturaleza, la sociedad y el mundo


hecho por el hombre*

Roderick Melnik**
12 de junio de 2017

1. Conocimiento humano, modelos y algoritmos


Existen muchos modelos estadsticos y matemticos para la acumulacin del conocimiento
humano. Tomando uno de ellos como punto de partida, el modelo Anderla, aprenderamos que la
cantidad de conocimiento humano 40 aos atrs era 128 veces mayor que en el ao 1 d.C. Tambin
sabemos que ste se ha incrementado drsticamete a lo largo de las ltimas cuatro dcadas.
Sin embargo, la mayora de estos modelos tienen base en la economa y consideran slo los
desarrollos tecnolgicos, siendo que hay mucho ms que considerar respecto del conocimiento
humano. El conocimiento humano ha sido siempre vinculado a modelos. Tales modelos cubren
una variedad de campos del mbito humano, desde las artes a la agricultura, desde la descripcin
de los fenmenos naturales al desarrollo de nuevas tecnologas y a los intentos de comprender
mejor los problemas sociales. Desde los albores de la civilizacin humana el desarrollo de
estos modelos, de alguna u otra manera, ha estado siempre conectado con el desarrollo de
las matemticas. Estos dos procesos, el desarrollo de modelos representando el ncleo del
conocimiento humano y el desarrollo de las matemticas, han ido siempre mano a mano el uno
con el otro. Desde nuestro conocimiento acerca de la fsica de partculas y los vidrios de spin
[5,7] como las ciencias de la vida y las estrellas de neutrones [2,6,17], la universalidad de los
modelos matemticos debe mirarse desde esta perspectiva.
Por supuesto, la historia de las matemticas se retrotrae mucho ms all del ao 1 d.C.,
como se mencion antes, adentrndose mucho ms en el inicio de las civilizaciones. Sabemos,
por ejemplo, que tan pronto como en los siglos VI-V a.C. los pobladores del Antiguo Mundo,
incluyendo a las civilizaciones predinsticas Sumerias y Egipcias, reflejaban sus modelos de
base geomtrica en sus artefactos. La gente de ese entonces comenzaba a obtener informacin
acerca de los fenmenos observados en la naturaleza mediante el uso de representaciones cuan-
titativas, esquemas y figuras. La geometra jug un rol fundamental en el Antiguo Mundo. Con
los asentamientos de la civilizacin y el desarrollo de la agricultura, el rol de las matemticas
en general, y de los mtodos cuantitativos en particular, se ha incrementado sustancialmente.
Desde las pocas tempranas de mediciones de planos de tierras y de la creacin del calendario
* Traduccin de man-made world.
** Extracto y traduccin del Captulo 1 del libro Mathematical and Computational Modeling. With Applications in the Natural

and Social Sciences, Engineering and the Arts [1].

1
lunar, los Sumerios y los Babilonios, entre otros, estaban contribuyendo enormemente al desa-
rrollo de las matemticas. Sabemos que desde aquellos tiempos las matemticas nunca han sido
desarrolladas de manera aislada respecto de otras disciplinas. La fertilizacin cruzada entre
las ciencias matemticas y otras disciplinas es lo que produce una de las partes ms valiosas
del conocimiento humano. Ms aun, las matemticas poseen un lenguaje universal que permi-
te que otras disciplinas avancen significativamente en sus propios campos del conocimiento,
contribuyendo de esta manera al conocimiento humano como un todo. Entre otras disciplinas,
la arquitectura y las artes han jugado un rol importante en este proceso desde tan temprano
como lejos podamos mirar. Recordemos que las series fueron el origen del diseo armnico.
Esta tcnica era conocida en el Antiguo Egipto al menos desde la construccin de la pirmide
de Kefrn en Guiza en 2500 a.C. (la ms antigua que se conoce es la pirmide de Zoser, proba-
blemente construida entre 2630 y 2611 a.C.). La proporcin urea y la secuencia de Fibonacci
tienen profundas races en las artes, incluyendo a la msica, y tambin en las ciencias naturales.
Hablando de matemticas, H. Poincar mencion una vez que es la inesperada conjuncin
de diversas partes de nuestra ciencia la que provee progreso [12]. Sin embargo, esto es muy
cierto tambin con respecto a otras ciencias y, ms generalmente, para todas las ramas de las
actividades humanas. En los tiempos de Poincar se crea que la matemtica se confina a s
misma al mismo tiempo a la filosofa y a la fsica, y es por estas dos vecinas que trabajamos
[12]. Hoy en da el anlisis cuantitativo como herramienta esencial del arsenal matemtico, en
conjunto con modelos matemticos, estadsticos y computacionales asociados, hace avanzar al
conocimiento en prcticamente todos los dominios de la actividad humana. Los modelos basa-
dos en anlisis cuantitativos estn ahora arraigados firmemente en reas aplicadas que fueron
slo recientemente (en trminos histricos) consideradas como no-tradicionales por la matem-
tica convencional. Esto incluye, pero no se limita a, las ciencias de la vida y la medicina, el diseo
centrado en el usuario e ingeniera blanda, nuevas ramas de las artes, los negocios y las ciencias
econmicas, sociales y del comportamiento.
El reconocimiento universal de los modelos matemticos en la comprensin de la naturaleza,
la sociedad y el mundo construido por el hombre tiene tambin un origen antiguo. Pitgoras ya
enseaba que en su sentido ms profundo la realidad es de naturaleza matemtica. El origen
de la cuantificacin de la ciencia se ubica al menos en los tiempos de la enseanza de Pitgoras
acerca de que los nmeros proveen la clave para la realidad ltima. La tradicin Pitagrica est
bien reflejada en la declaracin de Galileo respecto de que el Libro de la Naturaleza est escrito
en el lenguaje de las matemticas. Hoy en da somos testigos de que las reas de aplicacin de
las matemticas no slo crecen rpidamente en las ms tradicionales ciencias naturales e inge-
nieriles, sino tambin en las ciencias sociales y del comportamiento. Debe notarse que el trmino
universalidad es tambin utilizado en la literatura en contextos diferentes, ms especficos y
estrechos. Por ejemplo, en mecnica estadstica la universalidad es la observacin acerca de que
existen propiedades en una gran cantidad de sistemas que son independientes de los detalles
dinmicos del sistema. Una definicin puramente matemtica de una propiedad universal se
suele dar en base a las representaciones de la teora de categoras. Otro ejemplo es provisto por
la ciencia computacional y la teora de computabilidad, en las cuales la palabra universal se
suele aplicar a un sistema que es completo segn Turing. Existe tambin un principio universal,
una propiedad de un sistema que suele modelarse mediante matrices aleatorias. Estos concep-
tos son tiles para modelos matemticos o estadsticos correspondientes y son discutidos en
muchos artculos (ver, por ejemplo, [38, 15, 17] y sus referencias). Por ejemplo, los autores de
la Ref. [3] discuten las clases de universalidad para redes complejas con posibles aplicaciones
en sistemas dinmicos sociales y biolgicos. Un lmite de escalamiento universal para una clase
de modelos matemticos de tipo Ising se discute en la Ref. [7]. El concepto de universalidad de
las predicciones se discute en la Ref. [15] dentro del marco Bayesiano. La universalidad de la

2
computacin es materia de discusin en la Ref. [4], mientras que la universalidad en ciencias
fsicas y de la vida es discutida en las Refs. [8] y [6], respectivamente. Dada un breve raconto
histrico demostrando la presencia intrnseca de los modelos en el conocimiento humano desde
los albores de las civilizaciones, la universalidad aqu es entendida en un sentido Aristotlico
ms general: Decir que lo que es, no es, o que lo que no es, es, es falso; mientras que decir que lo
que es, es, y que lo que no es, no es, es cierto. La razn subyacente para esta universalidad reside
en el hecho de que los modelos estn inherentemente ligados a los algoritmos. Desde los tiempos
antiguos hasta ahora, las actividades humanas y las aplicaciones prcticas han estimulado el
desarrollo de algoritmos basados en modelos. Si notamos que las reas abstractas de las matem-
ticas estn tambin basadas en modelos, se puede concluir que los algoritmos matemticos han
estado en el corazn del desarrollo de las matemticas mismas. La palabra algoritmo deriv
de Al-Khwarizmi (780-850), un matemtico, astrnomo y gegrafo, cuyo nombre proviene de su
lugar de nacimiento (Khwarezm o Corasmia). Esta palabra indicaba una tcnica con numerales.
Tales tcnicas estaban presentes en las actividades humanas bastante antes del siglo diecinueve,
mientras que ya se conocan en aquel momento algoritmos especficos, principalmente estimu-
lados por consideraciones geomtricas. Algunos ejemplos son los algoritmos para aproximar el
rea de un crculo (conocido por los babilonios e indios), un algoritmo para calcular mediante
la inscripcin y circunscripcin de un polgono alrededor de un crculo (conocido ya por Antifn
y por Brisonte en el siglo V a.C.), el algoritmo de Euclides para determinar el mximo comn
divisor de dos enteros y muchos otros. Un posterior desarrollo de la temtica estuvo muy entre-
lazado con aplicaciones y con otras disciplinas. Esto llev a lo que en la segunda parte del siglo
XX fue denominado por E. Wigner como la excesiva eficacia de las matemticas en las ciencias
naturales. Adems de las reas tradicionales de las ciencias naturales y las ingenieras, el siglo
XX presenci un rol todava creciente de los modelos matemticos tambin en las ciencias de la
vida y ambientales. Este desarrollo estuvo basado en logros tempranos. En efecto, alrededor del
300 a.C., Aristteles estudi la manera en la cual las especies evolucionaban para adaptarse a su
entorno. Sus trabajos sirvieron como piedra fundamental para el desarrollo de las teoras mo-
dernas de la evolucin, y sus miradas holsticas y enseanzas acerca de que el todo es ms que
la suma de sus partes ayudaron al progreso de la ciencia de sistemas en general y a la biologa
de sistemas en particular. Un fuerte crecimiento de la gentica y la biologa de poblaciones en
el siglo XX comenz efectivamente a partir del redescubrimiento de las leyes de G. Mendel en
1900 (originalmente publicadas en 1865-1866) y un mpetu supremo para que este crecimiento
estuviera ligado a modelos matemticos fue dado por el Teorema Fundamental de la Seleccin
Natural de R. A. Fisher en 1930. Este resultado se bas en una ecuacin diferencial a derivadas
parciales (PDE) que expresa la tasa de aumento de la aptitud para cualquier organismo vivo.
Los modelos matemticos tambin se desarrollaron en otras reas de las ciencias de la vida,
incluyendo los sistemas predador-presa de A. J. Lotka y V. Volterra (1925-1931), los modelos de
A. A. Malinovsky para la gentica evolutiva y el anlisis de sistemas (1935), la ecuacin de R.
Fisher y A. Kolmogorov para la propagacin de genes (1937), las ecuaciones de A. L. Hodgkin
y A. F. Huxley para el potencial de membrana de los axones neuronales (1952), por nombrar
slo algunos. Nuevas teoras, tales como las de auto-organizacin y de formacin de patrones
biolgicos, han aparecido y han demostrado la poderosa fertilizacin cruzada entre las mate-
mticas y las ciencias de la vida (vanse detalles adicionales en la Ref. [2]). Ms recientemente,
la gran disponibilidad de datos moleculares, funcionales y genmicos detallados ha dado lugar
a un desarrollo sin precedentes de nuevos modelos matemticos gobernados por datos. Co-
mo resultado, las herramientas del modelado matemtico y los experimentos computacionales
estn volvindose ms que importantes en la actualidad de las ciencias de la vida. La misma
conclusin se aplica tambin a las ciencias ambientales, de la tierra y climticas. En base a datos
obtenidos desde 1880, hoy en da sabemos que el calentamiento global ha sido mayormente

3
causado por la influencia del hombre en el mundo con sus emisiones al quemar combustibles
fsiles, la contaminacin ambiental y otros factores. De aqu en adelante tendremos la necesidad
de resolver muchos problemas ambientales desafiantes y el rol de las matemticas y el modelado
computacional en las ciencias ambientales, de la tierra y climticas continuar en aumento [14].
Los modelos matemticos y los algoritmos se han vuelto esenciales para muchos profesiona-
les en otras reas, incluyendo a socilogos, analistas financieros, cientficos polticos, trabajadores
de la administracin pblica y los gobiernos [13], y la lista contina creciendo. Nuestra discusin
sera incompleta si no mencionamos aqu una profunda conexin entre las matemticas y las
artes. Las civilizaciones antiguas, incluyendo a los egipcios, mesopotmicos y chinos, estudiaron
la matemtica del sonido y los antiguos griegos investigaron la expresin de las escalas musica-
les en trminos de relaciones entre nmeros enteros pequeos. Ellos consideraban a la armona
como una rama de la ciencia, conocida ahora como acstica musical. Trabajaron para demostrar
que las leyes matemticas de los armnicos y los ritmos tienen un carcter fundamental no
slo para la comprensin del mundo sino tambin para la felicidad y prosperidad humanas.
Mientras se encuentran numerosos ejemplos de la conexin intrnseca entre las matemticas y
las artes en el Antiguo Mundo, sin dudas el Renacimiento trajo consigo una reaparicin enri-
quecida de las culturas clsicas del mundo antiguo e ideas matemticas, no slo para una mejor
comprensin de la naturaleza sino tambin para las artes. En efecto, el hecho de pintar escenas
tridimensionales en un lienzo bidimensional presenta slo un ejemplo en el cual tal conexin
mostr ser crtica. No slo los filsofos, sino tambin los artistas, estaban convencidos de que
el universo entero, incluyendo las artes, podan explicarse con tcnicas geomtricas y numri-
cas. Existen muchos ejemplos del perodo renacentista en los cuales los pintores eran tambin
matemticos, entre ellos Piero della Francesca (1415-1492) y Leonardo da Vinci (1452-1519).
Hoy en da las artes y las matemticas estn muy interconectadas y continan enriquecindose
mutuamente. Hay muchas obras de arte arquitectnicas y pinturas que han sido preservadas
basadas en la implementacin de sofisticados modelos matemticos. Eficientes algoritmos gr-
ficos computacionales han permitido introducir una nueva dimensin en muchas ramas de las
artes modernas, mientras que un nmero de compositores han incorporado ideas matemticas
en sus obras (la proporcin urea y los nmeros de Fibonacci entre ellos). Son tambin muy
conocidas las aplicaciones musicales de la teora de numeros, el lgebra y la teora de conjuntos,
entre otros.
Mientras los algoritmos y los modelos han sido siempre centrales en el desarrollo de las
ciencias matemticas, proveyendo un vnculo esencial con las aplicaciones, su importancia ha
sido drsticamente amplificada en la era computacional, donde el rol del modelado matemtico
y el experimento computacional en la comprensin de la naturaleza y de nuestro mundo se
vuelve imprescindible.

2. Mirando hacia el futuro desde la perspectiva del modelado


Aunque a escala histrica las computadoras electrnicas pertenecen a una invencin humana
muy reciente, las primeras operaciones de cmputo fueron efectuadas desde tiempos remotos
por las personas mismas. Desde el baco a los huesos de Napier, desde la Pascalina hasta la m-
quina de Leibnitz, desde la mquina diferencial (luego analtica) de Babbage hasta la invencin
de la mquina tabuladora de Hollerith como precursor de IBM, paso a paso, hemos incremen-
tado abismalmente nuestra capacidad de cmputo. Hoy en da las modernas computadoras nos
permiten incrementar nuestra productividad en cuanto a nuestro desarrollo intelectual y el pro-
cesamiento de la informacin a un nivel no visto antes en la historia humana. Este proceso lleva a
un rpido desarrollo de nuevos algoritmos matemticos que estn cambiando completamente el

4
panorama de las actividades humanas, penetrando en nuevas e inesperadas reas. Como resul-
tado, el modelado matemtico expande sus horizontes interdisciplinarios, proveyendo vnculos
entre diferentes disciplinas y actividades humanas. Penetra a travs de ms y ms disciplinas,
mientras que las necesidades prcticas de las actividades y aplicaciones humanas, tanto como
la interfase entre estas disciplinas, las actividades humanas, las matemticas y sus aplicacio-
nes, estimulan el desarrollo de nuevos mtodos, enfoques y herramientas de vanguardia. En
este contexto merecen una mencin especial las reas relacionadas a las ciencias sociales, del
comportamiento y de la vida. El rango de permanente expansin de la interaccin bidireccional
entre el modelado matemtico y estas disciplinas indica que la misma es virtualmente ilimitada.
En efecto, tomando como ejemplo a las ciencias de la vida, las aplicaciones de los algoritmos,
mtodos y herramientas matemticas en el diseo de drogas y su administracin, mapeo genti-
co y dinmica celular, neurociencias y bionanotecnologa se han vuelto ubicuas. Mientras tanto,
nuevos desafos en estas disciplinas, tales como la secuenciacin de macromolculas (incluyendo
aquellas ya presentes en las bases de datos biolgicas), proveen un catalizador importante para
el desarrollo de nueva matemtica, nuevos algoritmos eficientes y mtodos [1]. Las geometras
eucldeas, no-eucldeas y fractales, as como un vnculo intrnseco entre la geometra y el lgebra
como fuera sealado por R. Descartes a travs de su sistema de coordenadas, han mostrado ser
muy importantes en estas disciplinas, mientras que el descubrimiento del botnico escocs R.
Brown de lo que se conoce como el movimiento browniano ha revolucionado muchas reas de
las matemticas. La teora del juego y los desarrollos en control y ciberntica estuvieron influen-
ciados por los desarrollos en las ciencias sociales, del comportamiento y de la vida. mientras que
el crecimiento de la ciencia de sistemas ha provisto uno de los fundamentos para el desarrollo de
la biologa de sistemas, donde los sistemas biolgicos son considerados de una manera holstica
[2]. Hay una comprensin creciente acerca de que las interacciones entre diferentes componentes
de un sistema biolgico a diferentes escalas (por ejemplo, desde un nivel molecular a uno sist-
mico) son crticas. Los sitemas biolgicos proveen un excelente ejemplo de sistemas acoplados
y de dinmica multiescala. El carcter multiescala espaciotemporal de la mayora de los sitemas
en la naturaleza, la ciencia y las ingenieras es intrnseco, demostrando una interaccin compleja
de sus componentes, bien dilucidado en la literatura (p. ej. en [9,10,14] y sus referencias). En las
ciencias de la vida la cantidad de tales ejemplos de sistemas acoplados multiescala y problemas
asociados est creciendo rpidamente en reas diferentes, aunque usualmente interconectadas.
Algunos ejemplos son:
Redes biolgicas complejas, genmica, biologa de sistemas celulares y enfoques de siste-
mas biolgicos en otras reas, estudios de varios rganos, sus sitemas y funciones;

Dnamica cerebral, neurociencia y fisiologa, biologa del desarrollo, evolucin y dinmica


de la evolucin de juegos biolgicos;
Problemas inmunolgicos, epidemiologa y enfermedades infeccionsas, desarrollo, admi-
nistracin y resistencia de drogas;

Propiedades, dinmica e interacciones en varias longitudes y escalas de tiempo en bio-


macromolculas, incluyendo ADN, ARN, protenas, autoensamblaje y formacin de pa-
trones espaciotemporales en sistemas biolgicos, transiciones de fase, etc.
Muchas herramientas matemticas y de modelado computacional son ubicuas. Son univer-
sales, en tal sentido que pueden ser aplicadas in muchas reas del mbito humano. Las ciencias
de la vida tienen un lugar especial cuando miramos hacia el interior de los futuros desarrollos
del modelado matemticos y computacional. De hecho, en comparacin con otras reas, por
ejemplo aquellas en las cuales estudiamos sistemas fsicos o ingenieriles, nuestro conocimiento

5
de los sistemas biolgicos es bastante limitado. Una de las razones detrs de esto es la comple-
jidad de los sistemas biolgicos, caracterizada por el hecho de que la mayora de los sistemas
biolgicos requiere lidiar con interacciones multiescala de sus partes altamente heterogneas en
distintas escalas de tiempo.
En estos casos en particular, el proceso de modelado matemtico y computacional se trans-
forma frecuentemente en una fuente motriz para el desarrollo de jerarquas de modelos matem-
ticos. Esto ayuda a determinar el rango de aplicabilidad de los modelos. Lo que es especialmente
importante es que basndonos en tales jerarquas los modelos matemticos pueden asistirnos
al explicar el comportamiento de un sistema bajo diferentes condiciones y la interaccin de
diferentes componentes de un sistema. Claramente, diferentes modelos para un mismo siste-
ma pueden involucrar un abanico de estructuras matemticas y pueden ser formalizados con
diversas herramientas matemticas, tales como modelos basados en ecuaciones o inecuaciones,
grficos y modelos tericos de lgica y juego. Sabemos hasta el momento que la clase de modelos
que se pueden someter a tratamientos analticos, mientras se mantienen asunciones realistas, es
sorprendentemente pequea cuando se compara con la clase general de modelos matemticos
que se ubican en la vanguardia de la ciencia moderna y la ingeniera [11]. Como resultado, la
mayora de los problemas modernos son tratados numricamente, en cuyo caso el desarrollo
de algoritmos eficientes se torna crtico. Tan pronto como tales algoritmos son implementados
en una computadora, podemos ejecutar el modelo muchas veces bajo diferentes condiciones,
lo cual nos ayuda a responder preguntas relevantes de manera ms rpida y ms eficiente,
proveyndonos una opcin para mejorar el modelo cuando sea necesario. Modelo-algoritmo-
implementacin es una trada que se encuentra en el corazon del modelado matemtico y los
experimentos computacionales. Es una herramienta penetrante, potente, terica y prctica, que
cubre el paisaje completo de aplicaciones matemticas [11]. Esta herramienta jugar un rol cre-
ciente fundamental en el futuro dado que podremos llevar a cabo el modelado matemtico y el
experimento computacional aun en aquellos casos en los cuales los experimentos naturales sean
imposibles. Al mismo tiempo, dados los procedimientos adecuados de validacin y verifica-
cin, podemos proveer informacin confiable ms rpidamente y de manera menos costosa en
comparacin con los experimentos naturales. Las interacciones bidireccionales entre los nuevos
desarrollos en tecnologa de la informacin y el modelado computacional y los experimentos
computacionales estn aumentando continuamente las capacidades predictivas y el poder de
investigacin de los modelos matemticos.
Mirando hacia el futuro desde una perspectiva de modelado, debemos tambin sealar
que tales capacidades predictivas y tal poder de investigacin nos permiten lidiar con sistemas
complejos que poseen partes intrnsecamente interconectadas (acopladas), interactuando de una
manera dinmica no trivial. Adems de las ciencias de la vida, del comportamiento y sociales,
mencionadas anteriormente, tales sistemas aparecen en muchas otras reas, incluyendo, pero
no limitadas a, problemas de energa y fusin, ciencias de materiales y qumica, altas energas
y fsica nuclear, cosmologa y astrofsica, ciencias de la tierra, del clima, ambientales y de
sustentabilidad.
Ades del desarrollo de nuevos modelos y algoritmos eficientes, el xito del modelado
matemtico predictivo en aplicaciones depende tambin de futuros avances en ciencias de
la informacin y del desarrollo de mtodos estadsticos, probabilsticos y cuantificacin de
incertezas. La incerteza proviene de diferentes fuentes, entre las cuales mencionaremos los
parmetros con valores inciertos, incertezas en el modelo como representacin del fenmeno,
proceso o sistema subyacentes y la incerteza en la recoleccin/procesamiento/medicin de
datos para la calibracin del modelo. La tarea de cuantificar y mitigar estas incertezas en los
modelos matemticos conlleva al desarrollo de nuevos mtodos estadsticos/estocsticos, junto
con mtodos para una integracin eficiente de datos y simulacin.

6
Adems de apoyar las teoras de soporte y aumentar nuestras capacidades de prediccin, el
modelado matemtico y computacional puede a menudo sugerir experimentos naturales ms
agudos y observaciones ms enfocadas, proveyendo de esta manera un chequeo de la precisin
del modelo. Los experimentos naturales y los resultados de las observaciones pueden producir
grandes cantidades de conjuntos de datos que pueden ser procesados inteligentemente slo con
algoritmos eficaces de exploracin de datos (data mining) y herramientas poderosas estadsticas
y de visualizacin [16]. La aplicacin de estos algoritmos y herramientas requiere una colabora-
cin cercana entre diferentes disciplinas. Como resultado, observaciones y experimentos, teora
y modelado se refuerzan mutuamente, llevando en conjunto a nuestra mejor comprensin de
los fenmenos, procesos y sistemas que estudiamos, y tambin a la necesidad de interacciones
todava ms cercanas entre el modelado matemtico, los anlisis computacionales y los enfoques
experimentales.
(. . . )

3. Observaciones finales
El modelado matemtico y computacional, sus mtodos y herramientas estn transformn-
dose rpidamente en una fuerza motriz del descubrimiento cientfico y la innovacin, prove-
yndonos de capacidades predictivas cada vez ms confiables en muchas reas de la actividad
humana. En esta discusin hemos presentado un resumen histrico breve y una visin general de
las nuevas tendencias en este campo, demostrando la universalidad de los modelos matemticos.
(. . . )

4. Bibliografa
1. Mathematical and Computational Modeling. With Applications in the Natural and Social Sciences,
Engineering and the Arts. Roderick Melnik (Ed.). Wiley & Sons (2015).
2. Antoniouk, A. and Melnik, R. (Eds.). Mathematics and life sciences. Berlin, De Gruyter, 2012.
3. Barzel, B. and Barabasi, A. L. Universality in network dynamics. Nature Physics 9(10) (2013)
673681.
4. Burgin, M. and Eberbach, E. Universality for turing machines, inductive turing machines and
evolutionary algorithms. Fundamenta Informaticae 91(1) (2009) 5377.
5. Carmona, P. and Hu, Y. Y. Universality in Sherrington-Kirkpatricks spin glass model. Annales
de LInstitut Henri Poincare - Probabilities et Statistiques 42(2)(2006) 215222.
6. Chay, T. R., Fan, Y. S., and Lee, Y. S. Bursting, spiking, chaos, fractals, and universality in
biological rhythms. International Journal of Bifurcation and Chaos 5(3) (1995) 595635.
7. Chelkak, D. and Smirnov, S. Universality in the 2D Ising model and conformal invariance of
fermionic observables. Inventiones Mathematicae 189(3) (2012) 515580.
8. Dolan, B. P. Modular invariance, universality and crossover in the quantum Hall effect. Nuclear
Physics B 554(3) (1999) 487513.
9. Engquist, B., Ltstedt, P., and Runborg, O. (Eds.). Multiscale modeling and simulation in
science. Berlin, Springer, 2009.
10. Foster, D. H., Costa, T., Peszynska, M., and Schneider, G. Multiscale modeling of solar cells
with interface phenomena. Journal of Coupled Systems and Multiscale Dynamics 1 (2013) 179204.
11. Melnik, R. and Kotsireas, I. (Eds.). Advances in applied mathematics, modeling, and compu-
tational science. Fields Institute Communications, 66, New York, Springer, 2013.

7
12. Poincare, H. Lavenir des mathmatiques (The Future of Mathematics). Revue gnrale des
sciences pures et appliques 19(23) (1908) 930939.
13. Rapoport, A. Mathematical models in the social and behavioral sciences. New York, John Wiley
& Sons, Inc., 1983.
14. Regenauer-Lieb, K., Veveakis, M., Poulet, T., et al. Multiscale coupling and multiphysics
approaches in earth sciences: Theory. Journal of Coupled Systems and Multiscale Dynamics 1
(2013) 4973.
15. Sancetta, A. Universality of Bayesian predictions. Bayesian Analysis 7(1) (2012) 136.
16. Sokolowski, J. A. and Banks, C. M. Modeling and simulation fundamentals: theoretical under-
pinnings and practical domains. Hoboken, NJ, John Wiley & Sons, Inc., 2010.
17. Tsui, L. K. and Leung, P. T. Universality in quasi-normal modes of neutron stars. Monthly
Notices of the Royal Astronomical Society 357(3) (2005) 10291037.
18. Xu, X. B., Fangohr, H., Gu, M., et al. Simulation of the phase diagram of magnetic vortices in
two-dimensional superconductors: evidence for vortex chain formation. Journal of Physics - Condensed
Matter 26(11) (2014) 115702.