LA INTEGRACIN DE LA BIOLOGA CON

LAS DEMS CIENCIAS BSICAS

Dino G. Salinas Avils, Ph. D.

Facultad
de
Medicina
Universidad Diego Portales
Ejrcito 141, Santiago, Chile
e-mail: dino.salinas@udp.cl
Santiago, 2005
(Versin corregida en marzo de 2010)

Registro de Propiedad Intelectual N 147130.

Prohibida su reproduccin total o parcial.

UNIVERSIDAD DIEGO PORTALES

Facultad de Medicina

Dino G. Salinas Avils

Agradecimientos
A todos aquellos que me manifestaron su entusiasmo por este proyecto,
aportndome muchas veces con sus sugerencias.

Entre ellos se cuentan

alumnos, profesores y amigos. Especialmente al profesor Dr. Sergio Plaza

por la revisin oportuna de los captulos 11 y 12, sobre fractales y sistemas
dinmicos.

Prlogo

Es comn que cuando alguien posee aversin a determinada materia tiende a no verla o a
desestimarla cuando sta se encuentra inmersa en una materia de su inters, a pesar de que
esto malogre el entendimiento. Es as como algunos con apetito cientfico comen del
plato de la biologa, pero desechan los contenidos relacionados con matemtica, qumica y
fsica, sin reparar en que se trata de contenidos biolgicos. Sin embargo, el progreso y la
historia de la ciencia nos ensean permanentemente que es el conocimiento
integrado el que permite el ejercicio de la mxima comprensin y creatividad en relacin
con cualquier ciencia, tal como la biologa. La ciencia ms compleja e integrada de todas.
El ejercicio de la integracin es mltiple:
-

Supone abarcar conocimientos interdisciplinarios y multidisciplinarios

esenciales. Por lo tanto, es necesario desarrollar la capacidad de seleccionar informacin

relevante y de coexistir, por qu no, con el error y la ignorancia, evitando el riesgo de caer
en una parlisis intelectual que impida nuestro progreso en un rea cientfica que nos
interese.
-

Se trata tambin de la comunicacin con profesionales de mltiples disciplinas,

con valoraciones y potenciaciones mutuas de sus capacidades, como fruto de la interaccin

y de la

visin de

la

propia

profesin como

parte

de

un

sistema

social

complejo e interdependiente.
-

Deben conocerse ejemplos de conocimientos de una disciplina inmersos

o relacionados con otra.

Tal es el caso del concepto de energa.

La energa es un

concepto que proviene originalmente de la fsica, pero que se aplica, por ejemplo, en
contraccin muscular, motilidad celular, metabolismo y radioterapia.
muchos

Ms an,

se sorprenderan al saber que toda la matemtica empleada en la

minimizacin de energa pudo aplicarse a problemas de aprendizaje por redes neuronales:

A los fsicos se les ocurri que, dado que el aprendizaje supone la minimizacin del
error en una tarea determinada (definido el error mediante una funcin matemtica
apropiada), entonces, minimizar el error en un sistema de innumerables neuronas, podra
tener mucho que ver con minimizar

otras funciones en sistemas complejos, como, por ejemplo, la energa de un sistema de

muchas partculas.
-

Deben identificarse marcos conceptuales comunes a distintas disciplinas,

tales como: Funciones matemticas, teora de sistemas dinmicos, teora de la

informacin, lgica, mtodo cientfico y empleo de modelos tericos.

Poseer una

capacidad de abstraccin facilita el estudio de sistemas aparentemente muy dismiles

mediante el empleo de herramientas comunes. La ganancia en el dominio de estos marcos
conceptuales (como los llamo) consiste en que permiten identificar un ordenamiento
lgico en el estudio de sistemas complejos, como los sistemas biolgicos.
Este libro trata principalmente sobre los ltimos dos aspectos mencionados
anteriormente acerca del ejercicio de la integracin de la biologa con las dems
ciencias bsicas.

La motivacin, el desarrollo de capacidades inquisitivas, la necesidad

de perfeccionamiento continuo, el autoaprendizaje y el establecimiento de nuevas

tradiciones, son frutos maduros que sobrevienen a la capacidad y al ejercicio de la
integracin de los propios maestros y a su interaccin directa, humilde y honesta con sus
alumnos.
Considero este trabajo como una derivacin natural de mi experiencia y testimonio
personal en la integracin de las ciencias: Mientras estudiaba mi carrera de bioqumica,
en la Universidad Catlica de Valparaso, creca mi conviccin de la importancia de una
slida formacin terica para entender los fenmenos vinculados a la estructura y
funcin de lo vivo. As, apenas termin esos estudios, decid formarme como biofsico,
por lo que opt por ingresar a la carrera de licenciatura en fsica, en la misma
universidad.

En esos aos tuve la oportunidad de participa en un grupo de sistemas

dinmicos del Instituto de Matemticas de la Universidad Catlica de Valparaso.

Despus, durante mis estudios de Magster en Fsica, en la Universidad de Santiago de
Chile, trat de mantenerme siempre vinculado al rea de biofsica y trabaj en teoras de
redes neuronales.

Posteriormente, durante mi doctorado en Ciencias Biomdicas en la

Facultad de Medicina de la Universidad de Chile, trabaj en el desarrollo de Teoras de

Interaccin Membrana-Protena. Actualmente soy acadmico en la Facultad de Ciencias de
la Salud de la Universidad Diego

Portales, en donde me desempeo como biofsico y como

de

profesor de un Taller

Integracin de Ciencias Bsicas para la carrera de

Medicina.
Hace muchos aos que emprend, conscientemente,

este camino de integracin.

Caminando a veces motivado por amor al conocimiento, otras veces por simple dolor a la
ignorancia. En todo este tiempo he debido interactuar con profesionales y estudiantes
de diferentes reas de la ciencia, y de disciplinas que se nutren de la ciencia.

Estas

experiencias, sumadas a mi formacin y a mis intereses me han permitido desarrollar una

visin propia acerca de la integracin de las ciencias bsicas en la biologa. Y es que no
es comn que alguien le ensee a uno a integrar los conocimientos o a ser consciente
de la integracin, pues muchas veces la integracin es un acto que realizamos sin darnos
cuenta.
Para qu sirve darse cuenta? Espero que la pregunta se responda por s sola despus de
la lectura de este trabajo. Slo dir aqu que la integracin es en s misma un objeto
de estudio y su contemplacin es ciencia pura. Hay leyes comunes a las que se someten
todas las ciencias. Son las leyes relacionadas con el estudio de los sistemas. Entender la
integracin como la bsqueda de estas leyes comunes nos saca de la trivial concepcin
de la integracin como el mero ejercicio de una disciplina sobre otra.

Para esto ltimo

recomiendo cualquier libro de biofsica, bioqumica, bioestadsitca o biocualquiercosa.

Tal vez el ejemplo ms vanguardista de la integracin como objeto de estudio sea
el establecimiento de los lmites del conocimiento cientfico: las leyes de lo que nunca
ser. Actualmente ya se cuenta con principios fsicos y teoremas matemticos que
establecen estos lmites.

Lmites que van ms all de la escasez del tiempo y de

los recursos necesarios para realizar una investigacin.

Espero que esto sea para m

un tema de un trabajo posterior. Como tambin queda pendiente la recopilacin y el

desarrollo de un conjunto de actividades prcticas que apoyen la enseanza de la
integracin a travs de la realizacin de talleres.

Contenidos
Prlogo.

I INTRODUCCIN
1 La integracin de la biologa con las dems ciencias bsicas
Modalidades de integracin de la biologa con las dems ciencias
bsicas. El aprendizaje de la integracin.
Cuando la complejidad de los sistemas biolgicos obliga.

II LA ACTITUD Y EL MTODO QUE PERMITEN LA INTEGRACIN

2 Y el cielo se descifr entre todos
Anexo 2.1: Una forma de descubrir la ley de gravitacin universal.

3 El conocimiento cientfico
La eleccin de la mejor hiptesis.
La simplicidad en ciencia.
El empleo de modelos en ciencia.
La hiptesis o cuando lo suficiente no es necesario.
La demostracin de la causalidad.

III INTEGRACIN A TRAVS DE LOS MODELOS MATEMTICOS

4 La funcin lineal
El estudio del cambio.
Uso de la funcin lineal en la construccin de modelos.
Determinacin
de
concentraciones
por
espectrofotometra. Un mtodo para obtener la mejor
recta.

5 La funcin exponencial y el desborde de la imaginacin

El crecimiento exponencial.
La divisin consecutiva.
El decaimiento exponencial.
Si la exponencial fuese un martillo, el clculo del crecimiento y la diversidad seran
un mismo clavo.

6 La integracin a travs del empleo de un mismo modelo para distintos sistemas:

cuando la epidemia es un chiste
El curso de una reaccin qumica.
Integracin a travs de una solucin compartida.
Epidemiologa matemtica.
Estudio del modelo SIS.

IV LA INTEGRACIN A TRAVS DE PRINCIPIOS ESTRUCTURALES Y

DINMICOS
7 La teora de la informacin y la biologa

Un caso de construccin de un concepto a partir de exigencias

matemticas. Interpretacin de la medida de la informacin de Shannon.
Aporte de informacin promedio de un signo en un
mensaje. Una aplicacin: mejorando el cdigo de un
mensaje.
El valor de una pregunta binaria en la reduccin de la
incertidumbre. El sentido de la cantidad de informacin.
El valor de la informacin.
La informacin en los sistemas biolgicos.
El impacto de la teora de la informacin en las
comunicaciones. Anexo 7.1: La numeracin binaria y el empleo
de la lgica. Anexo 7.2: Demostracin formal de la frmula de
Shannon.

8 La entropa y el desorden
Definiendo el desorden.
La entropa como una medida indirecta del desorden.
Equivalencia entre entropa e informacin.

9 Redes neuronales Estado

de una neurona. Dinmica de
una red neuronal.
Regla dinmica para la evolucin del estado de una neurona.
Aprendizaje de una red neuronal.
Modelos de memoria asociativa.
Modelos de aprendizaje a travs de redes de neuronas en
multicapas. Importancia de las redes neuronales.

10 La fsica del desorden y las redes neuronales

Ergodicidad.
Vidrios de espn.
De los vidrios de espn a las redes neuronales.

11 La estructura fractal y los sistemas biolgicos

Una definicin ms rigurosa de un fractal.
Los fractales en la naturaleza.

12 Sistemas dinmicos en biologa

Sistema.
Estructura.
Evolucin de un sistema.
Tipos de comportamientos dinmicos.
La coexistencia del caos con otras dinmicas en un modelo determinista
simple. El caos y la estructura fractal.
Dinmica celular y homeostasis.
La dinmica en la fisiologa normal y patolgica.

V EPLOGO
13 La integracin como resultado de la lgica de la vida
La definicin de la vida nunca fue fcil.
En busca de una definicin de la vida.
Bibliografa.

Parte I

INTRODUCCIN

1
La integracin de la biologa con las dems ciencias
bsicas
El conocimiento nunca ha sido algo aislado. La construccin del mismo ya es fruto de
la relacin de conocimiento antiguo con situaciones nuevas.

Nuestra necesidad de

simplificar la realidad es lo que hace que surjan las distintas disciplinas, como la qumica,
la fsica, la matemtica y la biologa. En casos extremos, no hay duda a cul de ellas
pertenece una actividad o un individuo que la ejecuta.

Si un profesional

trabaja

sintetizando un polmero para reemplazar los cables de acero por un material mucho
ms resistente y flexible, diremos que es un qumico.

Si, en cambio, en vez de un

polmero sinttico estudia las propiedades de la protena que forma la tela de araa, con el
mismo propsito que el qumico, diramos que es un bioqumico. Y si se trata de alguien
que quiere clonar el gen de la protena de la tela de araa al interior de la bacteria
Escherichia coli, para utilizarla con los mismos fines, diremos que es un bilogo. Si
alguien se desempeara como jefe de un proyecto en donde se desea estudiar las
propiedades y la produccin de polmeros de alta resistencia mecnica, ya sea de
procedencia sinttica o biolgica, nos encontraramos con nuestra primera dificultad.
Cmo llamaramos a aquella rea que supone la retencin simultnea de conocimientos
aparentemente muy dismiles, con el fin de solucionar un problema determinado o de
alcanzar un conocimiento nuevo?
Otras dificultades pueden ser menos evidentes: Debe el qumico desestimar el
conocimiento del bilogo o del bioqumico para realizar sus proyectos, siendo fiel a la
qumica? Absurdo. Lo ms razonable es ser fiel al inters original del conocimiento
y emplear la herramienta apropiada para conquistarlo. Si se trata de investigar las causas
que determinan la resistencia de un material fibroso, el qumico debera interesarse en las
estructuras

biolgicas

que

demuestran ser

ms

eficientes

que

las

sintticas.

Inevitablemente surge la cuestin de si una disciplina es determinada por la naturaleza de

la pregunta que se quiere responder o si se determina por la naturaleza de la herramienta
empleada para responder la pregunta. Esto no es menor y es lo que ha ocasionado que
surjan disciplinas mixtas, como la bioqumica. En ella, la pregunta es biolgica y la
herramienta es qumica y, otras veces, es al revs.
conocimiento ha llegado al ridculo

Esta taxonoma creciente del

de extenderse hasta configurarse nombres como la bioquimicofsica, en la que se estudian

fenmenos fisicoqumicos propios de sistemas bioqumicos, tales como el tamao o la
difusin de ciertos complejos de macromolculas biolgicas.

Sin embargo, el

crecimiento explosivo del conocimiento y de la tcnica hace cada vez menos creble e
intil esta taxonoma, encontrndose que la pregunta y la herramienta a menudo son de
procedencias distintas. Ms an, este afn de identificar lo que uno hace con un rea, se ha
convertido en la castracin mental de muchos individuos a quienes, la identificacin con
una determinada categora de preguntas,

intereses, o tcnicas, les ha dificultado

interesarse en otras categoras.

Inevitablemente, categorizar nuestra formacin de origen es lo que da alguna pista
a nuestros congneres de lo que conocemos o lo que somos capaces de hacer. Al mismo
tiempo, esta categorizacin de los conocimientos permite que haya instituciones
debidamente acreditadas que entregan un determinado ttulo despus de aos de estudio
y prctica. Pero el peligro est en creer que las cosas no son ms que esto. Decir hoy en
da soy mdico, equivale a decir que se cursaron y aprobaron las exigencias de una
malla curricular que posea ese rtulo. Pero la misma malla curricular no transformaba en
mdico a una persona de hace cuatrocientos aos ni lo har cuatrocientos aos ms tarde.
Tampoco los conocimientos acreditados garantizan en su totalidad lo que el profesional
har con ellos o en estudios posteriores. Por lo tanto, no perdamos de vista que el rtulo
de una disciplina no es ms que una licencia para ejercer un paquete de deberes,
responsabilidades y habilidades bsicas y circunstanciales, y que jams se trat de un
rtulo sobre la mente del hombre. La naturaleza es conexa y cada una de sus partes opera
en forma simultnea: sus distintas leyes y sistemas se influyen mutuamente de un modo
incesante, originndose una realidad compleja.

Esto hace pensar en que, tal vez, la

naturaleza se tratara nicamente de una realidad sin adjetivos, cuyas distintas leyes y
partes existiran slo en el entendimiento humano. Reconocer lo anterior podra ayudarnos
a ser ms lcidos y creativos.
Como el uso de las herramientas es circunstancial, convengamos en que lo que da
el nombre a una disciplina es la pregunta que se quiere responder o la tarea que se quiere
solucionar y no la herramienta utilizada para el cometido.

Esto quiere decir que no

debera sorprendernos que un bilogo realizara una reaccin qumica ni que un qumico
usara un microscopio. Esto ha caracterizado permanentemente el progreso de la ciencia.
Lo dems,

definirse innecesariamente ante la comunidad como miembro vitalicio de una categora del
hacer y del conocer resulta intelectualmente vulgar.
objetivas,

pero

que

poseen

un

sentido

Es decir, ambas son facultades

ese

sentido

no

alcanza

determinarse absolutamente por las mismas facultades. La qumica se puede aprender,

la qumica se puede ensear, pero es pattico creer ser qumico, como los es creer
ser bilogo o fsico. Como referente social para distinguir quin ha estudiado una u
otra disciplina est bien, pero no como delimitacin perpetua del campo de trabajo. Qu
somos, entonces, en lo ms ntimo? Al final, somos lo que hacemos. Y si ya lo hicimos,
ya fuimos.
Cabe mencionar el ejemplo de Pasteur, aquel qumico-microbilogo, quien,
cuando estudiaba un problema de fermentacin, observ los cristales de cido tartrico al
microscopio, comprobando que podan existir en cualquiera de dos formas, una era la
imagen reflejada de la otra, lo que lo llev a formular que las molculas constituyentes
de los cristales eran, tambin, imgenes especulares la una de la otra; tal como la mano
izquierda es idntica a la derecha, excepto porque no se pueden superponer. Con el
tiempo este conocimiento se torn fundamental para los bioqumicos, quienes
descubrieron que, de dos molculas iguales, exceptuando que eran mutuamente imgenes
especulares, slo una de ellas poda formar parte de la naturaleza viva. La razn es que
slo esa molcula y no su imagen especular es capaz de interactuar adecuadamente con
otras molculas, como receptores y enzimas. Cuando contemplamos as la historia de la
ciencia, se hace evidente la falacia de los conocimientos estancos. La historia contada se
trataba de un qumico, que fue uno de los padres fundadores de la microbiologa, que
poda estudiar algunos de sus problemas de qumica con el mismo instrumento con el
cul estudiaba sus clulas y los resultados de estos estudios no slo sirvieron a la
industria de elaboracin de alcoholes, sino que

impactaron directamente a la

biologa al punto de que son la base de la interaccin entre macromolculas

biolgicas que soportan los procesos asociados a la vida y a la muerte.
Una de las grandes preguntas de la fsica es Qu es y cmo ocurre el movimiento?
Una de las grandes preguntas de la biologa es Qu es y cmo funciona un sistema
vivo? Se trata de dos extremos: en un lado la materia simple y en otro lado la misma
materia, pero asociada, formando estructuras complejas. Como hemos convenido en que
el nombre de una disciplina cientfica ya no est determinado por la herramienta que
ella emplea, sino

por la pregunta que se pretende responder, a veces no ser claro si estaremos frente a una
disciplina completamente nueva o a un hbrido de disciplinas ya conocidas.
ejemplo, consideremos la teora de la informacin.

As, por

La naturaleza de sus

paradigmas incluye tanto el conocimiento biolgico como el fsico y el matemtico. En

casos como stos, y en otros como en las teoras de sistemas complejos y sistemas
dinmicos, no es tan fcil como decir que lo nico que nos interesa es la matemtica en
que se soportan estas disciplinas, pues las soluciones las interpretamos a la luz de los
sistema que originalmente nos provocaron para la realizacin de los modelos. Al ser
disciplinas emergentes, todava es difuso su lmite con los dominios del conocimiento
establecido.

MODALIDADES DE INTEGRACIN DE LA BIOLOGA CON LAS DEMS

CIENCIAS BSICAS
Esperando haber convencido al lector de la yuxtaposicin de las reas del conocimiento,
de lo absurdo de los intelectos etiquetados y de lo beneficioso que histricamente ha sido
para la creatividad cientfica la aplicacin incansable del conocimiento de distinta
procedencia en la generacin de ms conocimiento, abordemos el problema de la
integracin de la biologa con las dems ciencias bsicas. Una divisin del problema
permite distinguir tres diferentes modalidades de integracin:
Integracin a travs del conocimiento
Consistente en aplicar el conocimiento, considerado propio de un rea, sobre
otra disciplina.
leyes

Por ejemplo, el principio de conservacin de la energa y las

que gobiernan las transformaciones qumicas se cumpliran en los sistemas

biolgicos. Por lo tanto, para progresar en el conocimiento biolgico se deberan conocer

y aplicar estas leyes. Adems de la aplicacin de las clsicas ciencias bsicas, como la
qumica, la fsica, la matemtica y la estadstica, tambin se considera aqu el
conocimiento de reas emergentes y nuevas, como la teora de la informacin, la teora de
sistemas, la teora de sistemas dinmicos y la teora de los sistemas complejos. Quin
sabe si todas stas son sub-reas de las disciplinas anteriores. Bien podramos decir: y a
quin le importa?; pues ms taxonoma no cambiar nada de lo que queremos decir.

Integracin a travs del anlisis

Consiste en aplicar herramientas metodolgicas comunes a distintas disciplinas, como el
mtodo cientfico, la lgica, el uso de modelos matemticos, la teora de la propagacin
del error de una medicin, etctera.
Integracin a travs de la tecnologa
Consiste en aplicar herramientas tecnolgicas comunes a distintas disciplinas, como el uso
de determinados instrumentos o como las tecnologas de la informacin y la comunicacin
(TICs).

Con respecto al uso de las TICs, pueden mencionarse la edicin de

documentos cientficos, la bsqueda a travs de internet, la realizacin de pginas Web, el

uso de bases de datos, el uso de softwares de procesamiento de datos, etctera.
El elemento comn que poseen todos estos modos de integracin de las ciencias
es la relacin entre las ciencias.

As es que bien podramos sustituir la frase

integracin de las ciencias por la frase relacin entre las ciencias.

entendiendo que es una relacin vital.

Pero

Es decir, de dos ciencias relacionadas, al

menos una de ellas no podra existir sin la otra. Tal sera el caso de la biologa, que no
podran explicarse sin un conocimiento de la qumica. En sentido inverso, esta relacin
vital puede consistir en que una de las reas ha sido fuente de inspiracin de la otra. As,
la biologa ha sido fuente de inspiracin de mucho conocimiento qumico, tal como
toda la qumica que debi construirse para entender cmo una mquina como un
organismo animal puede ser capaz de quemar azcares y grasas, con la capacidad de
realizar trabajo, manteniendo la temperatura constante.

EL APRENDIZAJE DE LA INTEGRACIN
Dados los lmites de extensin de este texto, sus contenidos slo estn orientados a
ensear el concepto de integracin de la biologa con las dems ciencias bsicas, a
motivar el ejercicio de la misma, y a esclarecer y propiciar la prctica de algunos
conceptos que facilitarn la labor de integracin. Algunos sostienen que no se puede
ensear a integrar las

ciencias. Que la integracin acontecer con la experiencia o la maduracin de la mente

del individuo. A ello debo contraponer que no est en cuestin si algunas personas sern
capaces de realizar la integracin por s mismas algn da o cmo ocurrir.
puede cuestionarse es cunto tardarn en hacerlo solos.

Lo que

Yo sostengo que s es

posible en muchas personas fomentar el desarrollo de una capacidad analtica, que es

fundamental para el acto de integracin. Me baso en que me ha tocado ver, en distintas
universidades, cmo hay algunos alumnos de las carreras de ciencias bsicas que llegan
con muy poca preparacin y que, al cabo del rigor de un par de semestres de estudio y
formacin sistemtica, llegan a estar en condiciones de resolver problemas muy
complejos y hasta a ser capaces de demostrar teoremas.

Podr decirse que no es el

contenido de las materias sino el esfuerzo personal el que desarrolla ciertas habilidades.
Eso puede ser bizantino si los resultados son de todos modos buenos. Cualquiera sea el
caso, el resultado es el mismo (aunque puede perfeccionarse): la confrontacin entre el
alumno y un plan apropiadamente diseado para la maduracin de su capacidad de
anlisis integrado entrega como resultado el aprendizaje del alumno. Decir que no es
necesaria ninguna tcnica me parece como negarse a aprender de otros la fsica
newtoniana para explicar la trayectoria de un cometa. En tal caso, no habra ms
remedio que desarrollar individualmente la fsica newtoniana. Y, si confiamos en la
naturaleza humana, habra que admitir la factibilidad de aquello.

Si parece que el

ejemplo anterior, cuando es aplicado al tema de la integracin, es un tanto exagerado,

entonces espero que cobren sentido los contenidos posteriores. Usted podr comprobar
que hay tpicos completos sobre los que se hace necesario aprender para aquilatar
realmente y trivializar menos el tan socorrido y de moda tema de la integracin en
biologa.

CUANDO LA COMPLEJIDAD DE LOS SISTEMAS BIOLGICOS OBLIGA

Los sistemas biolgicos poseen distintos niveles de descripcin: desde el nivel
microscpico, en el que debemos tomar en cuenta la situacin de cada molcula, hasta el
nivel ms macro, como es la descripcin de ecosistemas completos.

Los

sistemas biolgicos son los ms complejos conocidos con capacidad de realizar tareas
determinadas. Complejos porque son de difcil descripcin.
que el bilogo

Por esto, es necesario

integral desarrolle una mente analtica con fijacin en lo sistmico.

Es

necesario aprender a detectar aquellos rasgos de la estructura microscpica que son

capaces de trascender hacia la descripcin macroscpica. Lo macroscpico se soporta en
la estructura microscpica, pero los rasgos patentes de lo macroscpico son slo
algunos rasgos definidos en los elementos microscpicos presentes.

Como parte de la

descripcin estructural relevante, debe incluirse la capacidad de interaccin mutua que

pueden poseer unidades simples, como las clulas, capaces de determinar unidades ms
complejas, como un rgano completo. Al final, la funcin biolgica queda absolutamente
determinada por la interaccin o el dilogo estructural que se establece entre los
componentes menores, tal como las interacciones entre las clulas nerviosas son
determinantes del funcionamiento del cerebro completo. A una escala menor, la clula
puede considerarse como un sistema macroscpico, producto de la estructura e interaccin
mutua de elementos moleculares microscpicos.
As es que se hace necesario aprender a pensar en lo complejo.

Este

aprendizaje ocurre en tiempos en los que la ciencia de lo complejo recin se inicia.

Son los mismos tiempos en los que la enseanza se orienta ms al manejo y a la seleccin
de la informacin que a la informacin misma. Son los mismos tiempos en los que el ser
humano se habita a su condicin de coexistir con interfases digitales que realicen el
trabajo repetitivo que antes demandaba mucho tiempo.

Se hace necesario remontarse y

apreciar los problemas biolgicos desde un punto de vista ms sistmico, ms integrado.

Las cosas siempre han sido as. En un comienzo, el hombre del renacimiento aceptaba
este desafo con gusto, pues la informacin era poca. Ahora, al final, no nos queda sino
aceptarlo con resignacin, pues la informacin es demasiada y hace falta seleccionarla y
procesarla.

Qu hubo entretanto?

Slo la ilusin ingenua encapsulada en el

determinismo de Laplace (17491827), sobre que ya era posible conocer el futuro y el pasado del mundo y que la
nica limitacin para realizar los clculos era el tiempo. El mismo tiempo demostr que
esto no era as.

Parte II

LA ACTITUD Y EL MTODO QUE PERMITEN LA

INTEGRACIN

2
Y el cielo se descifr
entre todos
Una narracin breve acerca de la consolidacin del mtodo cientfico a travs del estudio
del movimiento.

A muchos les gusta creer que el mtodo cientfico se inici en el renacimiento,

a partir de Galileo.

Personalmente, no me atrevera a formular una afirmacin tan

temeraria. Poco sabemos de otras culturas, algunas mucho ms antiguas u olvidadas. Sin
embargo, es cierto que a travs de la historia hubo numerosos ejemplos de afanosa
bsqueda de conocimiento acerca de la naturaleza y el mundo, pero que hoy no podran
considerarse como genuinos ejemplos de actividad cientfica.
Arqumedes (257-221 antes de Cristo) fue un gran matemtico y un gran inventor
de artificios mecnicos.

Se ha dicho que fue el ms cientfico de los griegos.

Sin

embargo, mantuvo la actitud deductiva de los griegos que resultaba incompatible para
ellos con el mtodo experimental. Realiz una obra famosa sobre esttica, pero procede
por axiomas, como la geometra de Euclides. Los axiomas son evidentes por s mismo
y no dependen del resultado de la experiencia. As, por dos puntos slo pasa una lnea
recta y a + b = b
+ a son un par de afirmaciones axiomticas. Su obra ms cientfica fue el libro Sobre
los cuerpos flotantes, en donde determina que la fuerza que impulsa hacia arriba a un
cuerpo que flota es equivalente al peso del volumen de lquido desplazado por el cuerpo.
Esta obra es el resultado de deducciones a partir de postulados, pero se cree que
habran sido obtenidos experimentalmente.
Los rabes fueron ms experimentales que los griegos, especialmente en
qumica. Trataban de transmutar los metales en oro, de descubrir la piedra
filosofal y de confeccionar el elixir de la vida. A travs de la Edad Media la tradicin
de la civilizacin fue mantenida principalmente por los rabes. El defecto de los rabes
fue opuesto al de los griegos: buscaban hechos aislados ms que principios generales y no
pudieron deducir principios generales de los hechos que haban descubierto.
Posteriormente, durante el renacimiento, una de las figuras ms notables fue
Leonardo de Vinci. Sus manuscritos y dibujos revelan una fascinacin por la inventiva
y por la observacin de su entorno, en la bsqueda permanente de principios. Su falta
de

relevancia en el desarrollo de la ciencia se debe en parte a que no ofreci ningn

aporte maduro capaz de ejercer alguna influencia en sus sucesores cientficos. Tal vez
haya sido el tpico caso del

hombre trabajador y talentoso al que slo le falt

interactuar con individuos semejantes.

Sin embargo, hay un perodo durante el

renacimiento en que pudo observarse con total nitidez el despliegue del mtodo cientfico.
El inters de los estados en desarrollar la tcnica y la ciencia, aunque hubiese sido por
motivos de asentar los poderes poltico, militar y econmico, permiti la generacin de
comunidades de intercambio cientfico.

El fruto dorado de esta nueva era sera

algunos siglos despus, durante la llamada revolucin industrial.

La historia donde

comenz este largo proceso hacia la consolidacin de la ciencia, es la misma historia que
dio origen a la fsica y que permiti explicar la mecnica del universo. sa es la historia
que narro a continuacin.
Segn la filosofa aristotlica, la Tierra era considerada como un mundo
corruptible, es decir, sometido a cambios, como nacimiento, degradacin y
desaparicin de los seres que lo habitaban. Estos cambios se atribuan a los cambios
de los cuatro elementos que constituan la Tierra: agua, tierra, aire y fuego.

Un quinto

elemento, el ter, estaba reservado para los cuerpos celestes. El ter era inmutable y
por ello los cielos eran incorruptibles. Entre nuestro planeta y los cielos (entre lo
imperfecto y lo perfecto) estaba la Luna, la que mantena ciertos rasgos de imperfeccin
evidentes para cualquiera que la observase.

Los movimientos circulares estaban

reservados para la Luna y los dems cuerpos hallados en los cielos.

La Tierra no

describira ningn tipo de movimiento circular, porque un movimiento tan perfecto no

sera natural en ella. En definitiva, todos los objetos celestes tenan naturalezas
semejantes entre s, pero la naturaleza de la Tierra era absolutamente diferente a las de
ellos. As describa Coprnico la cosmovisin del filsofo griego Aristteles:
El filsofo griego Aristteles, por ejemplo, dice que el movimiento de un cuerpo
nico y simple es simple, que los movimientos simples son rectilneos o circulares y que
los movimientos rectilneos se producen hacia arriba y hacia abajo.

En consecuencia,

todo movimiento simple se produce hacia el centro -en el caso del movimiento hacia
abajo-, desde el centro como en el movimiento hacia arriba- o bien en torno del centro
movimiento circular-. De este modo, conviene que las tierras y las aguas, consideradas
elementos ms pesados, sean arrastrados hacia el centro; esto es, que se dirijan al
centro,

pero los aires y los fuegos, que se destacan por su ligereza, han de moverse desde el centro
hacia la arriba.

Parece conveniente conceder un movimiento rectilneo a estos cuatro

elementos y, en cambio, a los cuerpos celestes que se muevan en una rbita alrededor del
centro. Esto dice Aristteles.
La fascinacin de los griegos por lo bello y lo bueno los haca defender con mucho
esfuerzo intelectual el uso de la circunferencia, considerada por ellos la ms perfecta de
las figuras geomtricas, para la descripcin del mundo. Ellos ya saban que la Tierra era
esfrica.

El gegrafo griego Eratstenes, estimaba la circunferencia de la Tierra en

250.000 estadios (unos 38.000 kilmetros), lo que est cercano a la verdad.

Con el

paso de los meses y aos, era posible detectar que algunas de las estrellas no estaban
fijas como las otras al casquete esfrico que mencionaba anteriormente, sino que ms
bien vagaban errantes entre las dems estrellas fijas.

A estos cuerpos los griegos los

denominaron planetas (errantes), y todava era posible describirlos en base a rbitas

circulares. Para ello haba que suponer que cada planeta orbitaba circularmente. Al
mismo tiempo, el centro de dicha rbita describa una rbita circular en torno a la Tierra.
A ambas rbitas se les denominaba epiciclo y deferente, respectivamente.
El soporte de esta teora del universo no era para nada infantil.

Posea un

carcter predicativo asegurado por complejos clculos matemticos, como aparecera en la

obra de Ptolomeo Almagesto (100-160, aproximadamente), por lo que al sistema
descrito, donde la Tierra es el centro, se le conoce como el sistema ptolemaico. Sin
embargo, pocos saben que Ptolomeo propuso centrar la deferente en un punto fuera de la
Tierra para explicar la velocidad variable de la rbita de un planeta.

Movimiento retrgrado

Figura 2.1. Planeta significa errante. Esto tiene relacin con el trazado que deja la
trayectoria de un planeta (rojo) visto desde la Tierra (azul). Para explicar el movimiento
retrgrado de un planeta, Ptolomeo debi suponer que el planeta se mova en una rbita
circular, denominada epiciclo, cuyo centro describa otra rbita circular, denominada
deferente, cuyo centro coincida con la Tierra.
Con el epiciclo y el deferente, los
astrnomos podan describir casi cualquier movimiento planetario observado,
mantenindose dentro de los lmites del sistema ptolemaico. Aunque a veces era necesario
incrementar el nmero de epiciclos.
En contraposicin, hubo algunos griegos que supusieron un modelo celeste donde
el centro era el Sol. Arqumedes escribe al rey Geln de Siracusa y le dice: Aristarco
de Samos ha compuesto un libro en el que menciona algunas hiptesis, cuyas premisas
llevan a la conclusin de ser el Universo mucho mayor de lo que hasta ahora se ha
supuesto. Sus hiptesis son que las estrellas fijas y el Sol permanecen inmviles; que la
Tierra gira alrededor del Sol en la circunferencia de un crculo, estando situado el Sol en el
centro de la rbita. Fue el descubrimiento de que un griego haba sostenido esta opinin
lo que anim a Coprnico, durante la poca del renacimiento, a hacerla revivir.
A mediados del siglo trece, despus de que los manuscritos de la ciencia rabe
se haban traducido al latn para el estudio en universidades europeas, el conocimiento de
la astronoma se extendi por toda Europa. A comienzos del renacimiento, la reforma
haba desafiado la jerarqua eclesistica. En este contexto de libertad de pensamiento,
Coprnico propuso un sistema geomtrico simplificado para la observacin del
Universo, lo que public en su libro Sobre las revoluciones de los orbes celestes
(1543). En su libro presenta clculos detallados, basados en la circularidad de las rbitas
planetarias en torno al

Sol, pero teniendo el buen cuidado de proponer su modelo no como la realidad suprema de
los

sistemas planetarios, sino ms bien como un sistema de clculo mucho ms

sencillo que el propuesto en la obra de Ptolomeo. Esta precaucin le signific no ser

molestado por las autoridades de la poca, quienes lo hubieran juzgado por hereja. En los
aos previos al
1600, el trabajo de Coprnico era ledo por astrnomos que lo consideraban un
sistema
simplificado de clculo, pero que no tomaban en serio sus implicancias filosficas y
fsicas.

2
5
6

Fondo de estrellas fijas

6

5
3
4
4

5
2
3
2

Figura 2.2. Explicacin de la trayectoria de un planeta segn la teora copernicana.

Arriba: Visto desde la Tierra, el planeta aparenta retroceder y reanudar su curso (los
nmeros indican la secuencia del movimiento). Abajo: Esto se debe a que el planeta (rojo)
es visto desde la Tierra (azul), con respecto al fondo de estrellas fijas, desde diferentes
ngulos, en diferentes pocas del ao, producto de la rotacin de la Tierra en torno al Sol.

Tycho Brahe (1546-1601), astrnomo noble dans, con el financiamiento del rey
Frederick II, haba construido un observatorio en una isla. Fue el primero en registrar
las posiciones del Sol, la Luna, los planetas y las estrellas con regularidad. A travs de
los aos, empleando los instrumentos ms exactos hasta la fecha, pero sin telescopio,
realiz mediciones con precisiones de un minuto de arco. Tena sus reservas acerca de
adoptar la teora heliocntrica de Coprnico. Aceptaba la idea que los cinco planetas
conocidos giraban en torno al Sol, pero no que la Tierra se mova.

El resultado de su

modelo cosmolgico era un complejo compromiso: Los planetas orbitaban el Sol, en tanto
que el Sol y la Luna orbitaban la Tierra fija. El gran aporte a la ciencia de Brahe, se
debi a la persistencia, consistencia y exactitud con los que registr la posicin del
planeta Marte. Sera uno de los discpulos de Tycho quien, empleando estos datos
registrados por su maestro, acabara con todos los sistemas de dinmica planetaria que
hemos discutido hasta aqu.

Figura 2.3. Sistema planetario propuesto por Tycho Brahe: De fuera hacia dentro, se
indican en crculos negros los cinco planetas que orbitaran en torno al Sol: Saturno,
Jpiter, Marte, Venus y Mercurio. Al mismo tiempo, tanto el Sol como la Luna orbitaran
en torno a la Tierra.

Como anuncibamos, es aqu en donde entra en escena Johannes Kepler (15711630). Un astrnomo alemn, copernicano desde los 20 aos. Ms que un observador, fue
un matemtico.

Se surti de los registros de Tycho Brahe, para darse cuenta de la

invalidez de las rbitas circulares.

En 1609, public sus primeras dos leyes del

movimiento planetario en un libro titulado (La) Nueva Astronoma.

Una dcada

despus (1619), su tercera ley fue publicada en el libro Las Armonas del Mundo.
El siguiente es un fragmento de un texto de Kepler:
A travs del estudio de la rbita de Marte,
debemos alcanzar los secretos de la astronoma
o permanecer por siempre en su ignorancia.
Y es que l pensaba que sus leyes empricas desarrolladas a partir de los datos de
Marte deban bastar para explicar el resto de los movimientos planetarios.

Esto

significaba que las leyes matemticas deban ser universales. Algo difcilmente aceptado
en esa poca. Por lo dems, Kepler nunca comprob la validez de su hiptesis en los otros
planetas.
Las siguientes son las tres leyes descubiertas por Kepler (de las que se debe
decir que son leyes aproximadas):
Primera ley:
La rbita de un planeta alrededor del Sol es una elipse con el centro de masa del Sol en
uno de sus focos.
Segunda ley:
Una lnea que une el planeta y el Sol, barre reas iguales en tiempos
iguales.

D
Figura 2.4.
La rbita de un planeta alrededor del Sol es una elipse con el centro de masa del Sol en
uno de sus focos (primera ley de Kepler). La trayectoria de un planeta en torno al Sol la
rbita barre reas iguales al ir desde A hasta B que al ir desde C hasta D, siempre que el
tiempo para describir los dos segmentos de rbita sean los mismos (segunda ley de
Kepler). Esto ltimo significa que el planeta deber aumentar su velocidad al aproximarse
al Sol.

Tercera ley:
El cuadrado del perodo (duracin) de la rbita completa descrita por un planeta en torno
al
Sol es proporcional al cubo de su semieje mayor (aproximadamente igual al
radio
R3
K.
promedio):
T

En la siguiente tabla se aprecian ejemplos del cumplimiento de la tercera ley de

Kepler:
Planeta

(en aos)

(en Unidades

Astronmicas)
Mercurio

0,24

0,39

0,06

0,06

Venus

0,62

0,72

0,39

0,37

Tierra

Marte

1,88

1,52

3,53

3,51

Jpiter

11,9

5,20

142

141

Saturno

29,5

9,54

870

868

Por aquellos aos, Kepler sostuvo alguna correspondencia con Galileo.

Este

ltimo crea en la validez del sistema copernicano, as es que ambos coincidan en sus
preferencias por un modelo heliocntrico.
Galileo Galilei (1564-1642) naci en Pisa, estudi medicina en la universidad de la
misma ciudad, pero abandon sus estudios, cuatro aos despus, para dedicarse por entero
a los estudios de matemtica en la universidad de Pisa, enseando tambin en Florencia y
en Padua (Repblica de Venecia).

Debi ensear geometra euclidiana y astronoma

estndar (geocntrica) a estudiantes de medicina. Sin embargo, en una carta personal a

Kepler, en
1598, Galileo afirm que siempre ha sido un copernicano.

Lo que no fue pblico

hasta muchos aos despus.

En el verano de 1609, Galileo oy acerca de un aparato ptico, mostrado en
Venecia, que permita ver objetos lejanos. Basado en los reportes y en sus conocimientos,
podemos decir que reinventa el telescopio.

Los descubrimientos que hace con su

telescopio son descritos al ao siguiente en su corto libro Sidereus Nuncios (Mensaje de

los Astros), en Venecia. Caus conmocin al decir que haba visto montaas sobre la
Luna, que la va lctea est formada de estrellas pequeas y que haba pequeos
cuerpos

(satlites) orbitando Jpiter.

movimiento y mecnica, comenzando

copernicanismo.

En Florencia continu trabajando sobre

a

involucrarse

en disputas acerca

del

Descubri que el planeta Venus mostraba fases como la Luna y

supuso que, por lo tanto, deba orbitar en torno al Sol y no a la Tierra. Sin embargo,
esto no descartaba la cosmovisin de Tycho Brahe, la que fue aceptada por la mayora de
los astrnomos de la poca.

Figura 2.5. Las fases de Venus, descubiertas por Galileo, concuerdan con el sistema
copernicano, en el que Venus debe orbitar en torno al Sol.

Para entender el rechazo oficialista del que fue objeto Galileo, hay que tener en
cuenta que sus observaciones contradecan las creencias bblicas de la poca acerca de
que la Tierra era el centro del Universo. Segn las creencias del mundo catlico de
aquella poca, era blasfemo suponer que la Tierra era un planeta ms de tantos otros que
orbitaban en torno al Sol. Tambin era blasfemo afirmar que Jpiter era orbitado por
satlites, tal como la Tierra era orbitada por la Luna, as como afirmar que en la Luna
haban valles y montaas. En resumen, todo lo que hiciese pensar que nuestro planeta no
fuese la creacin predilecta e irrepetible de Dios era inadmisible para el oficialismo
intelectual y religioso de la Europa de entonces.
La Inquisicin encontr las observaciones de Galileo en contradiccin con las
escrituras.

Fue su libro Dilogos concernientes a los dos grandes sistemas del

mundo, publicado en Florencia en 1632, el que le ocasion problemas. Fue condenado

a arresto domiciliario de por vida, por hereja en su villa cerca de Florencia. Pero, a pesar
de su castigo, en 1638 logr publicar en Holanda el libro Discurso sobre dos nuevas
ciencias, en donde abord la resistencia de materiales.
Fueron numerosas las contribuciones cientficas de Galileo, pero su ms grande
contribucin ha sido la divulgacin y la prctica del mtodo cientfico. Enfatiz el valor
de la experimentacin por sobre la razn pura y crea que la naturaleza se escriba en
lenguaje matemtico.
teoras que

Ambas convicciones le condujeron a la elaboracin de

explicaban la naturaleza, pero que haban sido obtenidas a partir de hechos simples y
de observaciones cuidadosas.

Fue esta pulcritud en el ejercicio de su mtodo y

la consecuencia con que lo aplicaba en todos sus trabajos de filosofa natural lo que ha
logrado que se le considere el padre del mtodo cientfico.

Sin embargo, no debemos

olvidarnos que otros, incluido Kepler y Coprnico, ya haban sido capaces de aplicar el
mismo mtodo. Pero en el caso de Galileo, estbamos frente a un hombre que no solo
registraba lo que observaba, sino que era capaz de simplificar la realidad realizando
experimentos controlados. Es as como para avanzar en sus estudios del movimiento de la
cada libre, ante la imposibilidad de medir los tiempos y las distancias de movimientos tan
rpidos, realiz experimentos de cada a travs de un plano inclinado. Este plano inclua
un canal recto frotado con cebo, para disminuir el roce, a travs del cual poda desplazarse
una bolita.

Obtuvo relaciones matemticas entre la velocidad, el desplazamiento y el

tiempo para toda la trayectoria de un cuerpo que desciende a travs del plano.
Suponiendo la validez de estas relaciones matemticas para cualquier ngulo del plano
inclinado, estim que esto tambin se cumplira para la cada libre del cuerpo.

As,

determin que la
velocidad (v) de un cuerpo que cae libremente es proporcional al tiempo
(t):
v gt

y que el camino recorrido (x) es proporcional al cuadrado del tiempo:

1 2
gt
2

Con esta ltima relacin era posible calcular, en base al camino recorrido y al tiempo
transcurrido, la constante de proporcionalidad g, equivalente a la aceleracin de gravedad.
Fue de este modo y no de otro como logr convencer que era errnea la concepcin
aristotlica que dos cuerpos de distinto peso caeran a distinta velocidad.

Haba ido

ms all, proponiendo la solucin correcta al problema de la cada de los cuerpos.

Su contribucin al estudio del movimiento se extendi al movimiento
compuesto, dado por la trayectoria de un proyectil. Despreciando los efectos del roce,
estim que un

proyectil tena un movimiento horizontal uniforme independiente de un movimiento

vertical descrito segn las relaciones anteriores. Sentaba las bases de la composicin
del movimiento, pudiendo demostrar que la trayectoria describira una parbola. Pero
tambin debi cuestionarse en qu sistemas seran vlidas sus leyes del movimiento. Fue
as como formul que sus leyes se cumpliran en cualquier sistema que se encontrase en
movimiento a velocidad constante respecto de otro en el que sus leyes del movimiento se
cumpliesen. Esto significa que si, estando en una playa, arrojo una pelota con mi mano,
observar la misma trayectoria de la pelota que si la hubiese arrojado y observado desde
un barco que se aleja a velocidad constante de la playa. A este principio de relatividad del
movimiento se le conoce como principio de relatividad galileana, para diferenciarlo del
principio de relatividad de Einstein.
La matemtica que emple Galileo para sus demostraciones de clculos
de trayectoria se bas en geometra elemental, por lo que cualquier joven que est en sus
ltimos aos de colegio podra comprenderla. Esto es algo que siempre debe ser tomado
en cuenta: Entender el fruto de la actividad cientfica supone mucho menos esfuerzo y
condiciones que haber sido capaces de engendrarlo.

Parece muy obvio, pero nos

olvidamos de esto cuando pensamos en relatividad y fsica cuntica, creyendo que

aquellos cientficos han descubierto valles maravillosos que el individuo comn nunca
podr visitar. No es as. De lo que he podido observar, hasta el ms mediocre de los
alumnos de un curso de fsica puede entender los postulados de la cuntica y de la
relatividad. Otra cosa habra sido haberlos formulado por s mismo, pero eso es otro tema
que se relaciona con la creatividad. Pensemos en los cientficos como hacedores de
caminos. Es fcil recorrer un camino ya pavimentado y lleno de seales, aunque sea
cuesta arriba.

El gran libro de la ciencia est escrito para ser ledo con agrado por

individuos comunes.
Estaba pendiente la gran sntesis del movimiento planetario. Las leyes y principios
de Galileo no lograban explicar las leyes y principios de Kepler.

La gran sntesis del

movimiento la realizara Isaac Newton (1642-1727). l tuvo una niez difcil. Tres
meses antes de nacer muere su padre y a los tres aos su madre lo enva a vivir con su
abuela. A los doce aos, para continuar con sus estudios, debi alojar en rgimen de
pensin en la casa de un farmacutico. Un profesor, un libro de ciencia y trucos de
magia, la casa del boticario y su buhardilla llena de otros libros debieron haber ejercido
alguna influencia en

su gusto por el saber.

En el colegio, el currculum no contemplaba estudios de

matemtica o filosofa natural. El principal objetivo al trmino de los estudios era el

conocimiento del latn, que era el nico medio de acceder a la cultura superior europea.
Posteriormente, cuando Newton ingres al Trinity College de Cambridge, haba
ledo pocos libros; pero cuatro aos despus, el bagaje de sus lecturas era imponente.
Conoci los trabajos ms importantes de Kepler y Galileo y public, en 1687, el libro
Principios matemticos de filosofa natural, donde describe el mtodo cientfico como lo
conocemos hoy, formula la ley de gravitacin universal, las tres leyes del movimiento
y realiza una aplicacin a la prediccin de las rbitas planetarias y las mareas.

La

gran sntesis que realiz logr explicar el sistema solar con la precisin de un
mecanismo de relojera.

Para ello debi desarrollar el clculo infinitesimal,

paralelamente a Leibniz. El ambiente intelectual en el que se vio inmerso fue muy rico y
hubo ideas que fluyeron naturalmente entre contemporneos o a travs de una secuencia de
personajes histricos. A Newton le correspondi vivir en un entorno mucho menos
adverso que Galileo. Galileo haba sido un gran luchador. Debi luchar contra la iglesia
catlica para demostrar que sus ideas no contradecan las escrituras, debi luchar
contra las concepciones aristotlicas, sobre las cuales se basaba toda la cosmovisin de
su poca, y debi luchar en favor de la hiptesis copernicana. Pero, en los tiempos de
Newton, Carlos II haba creado la Royal Society y haba fomentado el desarrollo de la
ciencia como antdoto al fanatismo religioso que le haba ocasionado problemas
personales: el fanatismo protestante le haba hecho permanecer en el destierro y la
intransigencia catlica haba hecho perder el trono a su hermano. En este contexto,
Newton fue aclamado por todo el mundo erudito, aclamado por monarcas y, al final de
sus aos, fue recompensado por su trabajo con un cargo de gobierno.
Newton formul las tres leyes del movimiento: Su primera ley establece que, al no
ejercerse ninguna fuerza sobre una masa que est en reposo o que se mueve de modo
rectilneo uniforme, esta masa mantendr su estado de movimiento. De su segunda ley
se deduce que, en una partcula en la que la masa no cambia, la fuerza determina los
cambios de la velocidad de modo inversamente proporcional a la misma masa.

Su

tercera ley del movimiento estableci que las fuerzas de interaccin mutua de dos cuerpos
deban ser iguales y opuestas entre s. Todo puede aprenderse casi como un rezo y tratar
de aplicarse

mecnicamente a los problemas de prediccin de movimientos, pero hay un

problema.
Qu es eso que llamamos fuerza? Newton fue capaz de darse cuenta de que las fuerzas
se determinaban por relaciones entre algunas propiedades de la materia.

Para el caso

de interacciones que obedecan a las masas, descubri la ley de gravitacin universal.

Segn esta ley, la magnitud de la fuerza de atraccin ejercida por una masa sobre otra
sera directamente proporcional a las masas interactuantes (m y M) e inversamente
proporcional al cuadrado de la distancia entre ellas (R).

Esta ley inclua una

constante denominada
constante de gravitacin universal (G):
F

GmM
2 .
R

Supuestas las tres leyes del movimiento formuladas por Newton y la ley de
gravitacin universal, ahora era posible deducir las tres leyes de Kepler. Aunque estas
tres leyes eran una aproximacin. La verdad es que, a partir de los hallazgos de Newton
sobre el movimiento, poda demostrarse que uno de los focos de la elipse deba coincidir
con la posicin promedio del sistema de partculas (conocida como el centro de masa).
Sin embargo, dada la enorme masa del Sol respecto de cualquiera de los planetas, el error
de Kepler era despreciable, pudiendo situarse el Sol en dicho foco de la elipse.

Al

mismo tiempo, ya era posible determinar la trayectoria de planetas, satlites, cometas y

cualquier masa sometida a atraccin gravitatoria, con una exactitud nunca antes conocida.
Tambin se pudo explicar el fenmeno de las mareas, considerando la atraccin
gravitatoria que ejerca la Luna sobre los ocanos.

La aceleracin constante que haba

obtenido experimentalmente Galileo para la cada de los cuerpos, tambin poda ser
explicada y calculada a partir de la ley de gravitacin universal. Se haba escrito la obra
cientfica ms completa y hermosa de todos los tiempos. Era un golpe a la ctedra al
dogmatismo y la ignorancia. Comenzaba una nueva era, en la que la voz de la ciencia
sera escuchada con humildad por los profanos. Sin embargo, tal vez aqu tambin se
marcaba el final de una era en la que otros tipos de conocimientos eran tomados en cuenta
y los hombres, los mismos hombres que haban contribuido a la Gran Sntesis, aspiraban
a un conocimiento integrado, llamndose a s mismos Filsofos Naturales.

Ttulos

%
A. Libros cientfcos
1.
2.
3.
4.
5.
6.

Alquimia, 138, y qumica, 31

Matemticas
Medicina y anatoma
Fsica (y ptica 15)
Astronoma
Otros
(entre
los
cuales,
obras
generales, 28; historia natural 18;
zoologa 7; botnica 6; mineraloga , 3)

169
126
57
52
33
101

9,5
7
3,3
3
1,6
5,6

477

27,5

149
143

8,6
8,3

90

5,3

76
58

4,5
3,3

39

37
31
114

2
1,6
6,5

B. Libros no cientfcos
1. Teologa (entre los cuales, obras
generales, 205; biblias, testamentos y
estudios bblicos, 99; padres de la
iglesia, 61; historia de la iglesia, 28;
controversias religiosas, 28; ritos y
costumbres hebraicos, 24)
2. Clsicos griegos y latinos
3. Historia, 114 (general, 5; antigua, 19;
moderna, 90), cronologa, 22 y
biografa, 7
4. Obras de consulta y peridicas (de las
cuales, diccionarios, 43; gramticas 11;
peridicas, 18)
5. Viajes, 46; geografa 30
6. Literatura moderna (de los cuales,
inglesa, 40; latina 10)
7. Filosofa (antigua, 9; moderna, 24) y
lgica 6
8. Derecho, 22; poltica 15
9. Economa (y valores, 10)
10. Otros (entre los cuales, antigedades,
18; numismtica, 10; medallas, 6)

Biblioteca de Newton: Ntese la diversidad de sus intereses y la escasa proporcin de

libros cientficos y matemticos. La produccin de las grandes ideas suele soportarse por
el apetito voraz por materias que, aparentemente, no estn relacionadas y en la capacidad
de integrarlas. Puede observarse que los libros de las especialidades por las que Newton
fue clebre constituyen un porcentaje menor de su biblioteca. (Datos tomados de una tabla
similar en Introduccin a Newton, de Maurizio Mamiani, Alianza Editorial, 1995, pg.
24)

ANEXO 2.1
Una forma de descubrir la ley de gravitacin universal
Cul podra haber sido el razonamiento de Newton para llegar a descubrir la ley de
gravitacin universal?

No debemos olvidar que su logro fue el producto de aos de

maduracin y de tenaz estudio de sus predecesores, con una permanente interaccin con
sus contemporneos. En pocas palabras, debi conjugar una alta capacidad de trabajo
junto con una alta capacidad de integracin del conocimiento generado por otros.

continuacin, se bosqueja ms o menos una reconstruccin de algunos aspectos bsicos de

su descubrimiento, en base a un desarrollo presentado por Bernard Cohen:
Supongamos un par de masas separadas por una distancia R. Supongamos que
la masa de magnitud m gira con una velocidad v respecto de la masa M, mucho mayor
(considerada en reposo), y cada vuelta completa transcurriendo en un perodo T:

F
F`

Figura 2.8. Sistema de dos masas con interaccin gravitatoria (Las variables se definen en
el texto).

De este sistema se puede afirmar lo siguiente (se recalca el origen del

conocimiento empleado como una forma de valorar el proceso de integracin):

v2
,
R

aceleracin circular, deducida independientemente por

Huygens y Newton.

2pR
,
T

debido a los griegos.

ma ,

segunda ley de Newton.

R3
2
T

K,

tercera ley de Kepler.

Empleando las afirmaciones anteriores, se obtiene:

v2
R

2pR / T
R

2
2

4p m

R2 1
T2 R

4p m

R2 1 R
T2 R R

4p m

R3 1
2
2
T R
.

4p K

m
2
R

4p K Mm
.
M

Hasta aqu, cualquier joven de secundaria podra haber realizado el clculo. El gran
4p 2 K / M era una
salto inductivo lo constituy la suposicin de Newton que la
cantidad
constante universal, la que se representa por G. Pueden obtenerse distintos valores de K
para distintos sistemas de rbitas en torno a distintas masas M. Por ejemplo: Jpiter y
los satlites que lo orbitan, la Tierra orbitando en torno al Sol y La Luna orbitando en
torno a la
Tierra. Newton supuso que en cualquier sistema de este tipo el clculo de
entregara un mismo valor.

4p 2 K / M

Lo hermoso del hallazgo anterior es que la misma ley

sirve para determinar la fuerza de atraccin entre una hormiga y el Sol, o entre un planeta
y un cometa:
F

Mm
2 .
R

Como una forma de validar esta ley, con su uso se poda explicar las trayectorias
de planetas, satlites y cometas, la variacin de la aceleracin de gravedad terrestre con la
latitud, la forma esferoidal de la Tierra (achatada en los polos y abultada en el ecuador)
y la formacin de las mareas.

El conocimiento cientfico

Hay muchas formas de conocer y, a partir de ellas, muchos tipos de conocimiento. As,
por ejemplo, podramos saber todo acerca del fuego y cmo el fuego quema, pero no
es lo mismo a conocer la sensacin de quemarse un dedo. Tambin podramos saber que
quema, no porque lo hemos visto, sino porque otros que merecen nuestra confianza lo han
visto y ms encima nos dicen qu deberamos hacer para observar lo mismo.
Finalmente, otros podran evocar un cmulo de sensaciones cada vez que escuchan la
palabra fuego, sensaciones como las vinculadas a la creacin artstica, en tanto que
algunos podrn tener la ms firme conviccin de que el fuego es una manifestacin
divina o del poder de la naturaleza. Ninguno de estos conocimientos est por sobre el
otro y el hombre, como un animal complejo de realizacin integral, tal vez no debera
tomarlos tan a la ligera si quiere mantenerse saludable. Cada uno de ellos representa una
perspectiva de la realidad y con posibles

influencias

mutuas,

en

cuanto

la

motivacin, la inspiracin o el ejercicio creativo.

Una de las formas de conocer que ha permitido el traspaso ordenado de
conocimiento

entre

generaciones

sucesivas

entre

contemporneos,

que

no

parece depender de la persona que lo formula y que involucra una serie de

procedimientos, es el mtodo cientfico.

Al permitirnos comprender, manipular y

predecir los fenmenos de la naturaleza, entrega un tipo de conocimiento denominado

conocimiento cientfico, cuyo cuerpo y actividad se identifica con la palabra ciencia.
La ciencia se encarga de la determinacin de leyes universales, integrndolas en sistemas
tericos ms amplios, conocidos como teoras. Es este propsito lo que distingue a un
cientfico de un detective o un mdico, los que tambin se valen del mtodo cientfico
para ejercer su profesin. Algunos consideran a la lgica y a las matemticas como
ciencias, a pesar de que no emplean el mtodo cientfico, el que requiere de la
observacin de la naturaleza para la validacin de sus leyes. Para distinguir estos tipos
de ciencia, se habla de ciencias formales (lgica y matemtica) y ciencias fcticas
(dedicada al estudio de los fenmenos naturales). Tambin es posible distinguir entre
ciencias bsicas, que buscan principios universales para explicar la naturaleza, y ciencias
aplicadas, que estudian la naturaleza para apoyar el

desarrollo tecnolgico.

A pesar de esto ltimo, toda la ciencia se plantea

como posibilidades de beneficios prcticos. Estas posibilidades dependen del buen uso
que se haga del conocimiento cientfico, el que de otra forma podra llevarnos a la
destruccin. En adelante, en este captulo, por ciencia me referir a las ciencias fcticas,
sean bsicas o aplicadas.

Pero en el contexto general del libro, considero a la

matemtica como una ciencia bsica.

Las verdades sobre las que se erige la ciencia son las que emanan de la
observacin, pero no de aquella observacin irreproducible, sino de aquella que puede
informarse junto con la receta de cmo poder observar lo mismo en circunstancias
iguales. Por lo mismo, ver un platillo volador no es una informacin que pueda ser parte
del conocimiento cientfico, a menos que se pueda comunicar que, habindolo visto un
determinado nmero de veces, se ha estimado la probabilidad de que cualquier persona lo
pueda observar nuevamente en determinadas circunstancias, obteniendo conclusiones
similares. Que el resultado de la observacin no pueda plantearse en esos trminos, no
quiere decir que el hecho sea falso, del mismo modo que no es una observacin cientfica
y tampoco es falso que una vez vi a un perro que rea (lo cierto es que poda estar
fingiendo), pero ya no s dnde encontrar al perro y nunca ms he vuelto a ver uno as.
Una vez que se han realizado las observaciones suficientes, debe formularse una
proposicin a partir de la cual puedan explicarse todas las observaciones.
proposicin se le denomina hiptesis.

A esta

Este modelo debe incluir solamente aquellos

elementos que sean necesarios para explicar el conjunto de observaciones que lo engendr.
Posteriormente, a partir de la misma hiptesis, se deducen una serie de hechos
cuyo cumplimiento contribuir a validar la hiptesis. A la verificacin del cumplimiento
de los hechos predichos por la hiptesis se le denomina contrastacin emprica.

Los

trminos hechos o fenmenos se pueden usar indistintamente.

Los siguientes son los actos que conforman el mtodo cientfico:
- Observar un conjunto de hechos.
- Formular una hiptesis para explicar los hechos observados.
- Contrastar la hiptesis, verificando los hechos que se deduzcan lgicamente
de ella.

En esta secuencia puede apreciarse que la hiptesis permite el conocimiento de un

conjunto ms grande de hechos que los que la generaron. En pocas palabras, una hiptesis
es una explicacin, la misma explicacin para un conjunto de hechos antes
aparentemente no relacionados. Como consecuencia natural de una explicacin de ese
tipo, cabe esperar que posea carcter predictivo respecto de hechos no observados hasta el
momento.
Los

razonamientos

inductivos

son

razonamientos

razonamientos deductivos son razonamientos ciertos.

probabilsticos

los

En general, los razonamientos

inductivos ocurren desde proposiciones particulares a proposiciones generales y

lo contrario ocurre con el razonamiento deductivo.

El siguiente es un razonamiento

inductivo: En perodos de examen, los alumnos se enferman ms frecuentemente. Por

lo tanto, es probable que el estrs debilite el sistema inmune.

El siguiente es un

razonamiento deductivo: Si se duplica el tiempo de una cada desde el reposo, se

cuadruplica la distancia recorrida.

Por lo tanto, los cuerpos no caen a velocidad

constante. El mtodo cientfico es deductivo e inductivo a la vez.

Es inductivo porque

establece una verdad probable, la hiptesis, a partir de un conjunto de hechos.

Es

deductivo porque predice lgicamente, y con absoluta certeza, un conjunto de hechos,

suponiendo el cumplimiento de la hiptesis.
El carcter deductivo de un razonamiento no se merma por que sus conclusiones
sean probables.

Sera un razonamiento inductivo slo si el razonamiento fuese

probable. Por ejemplo: Todas las caras de un dado poseen igual probabilidad de salir
despus de un lanzamiento.

Por lo tanto, lo ms probable es que despus de muchos

lanzamientos se obtengan tantos nmeros pares como impares. El por lo tanto es

absolutamente cierto y no probable.

Aunque la conclusin determina hechos probables,

el razonamiento es deductivo. Esto es lo mismo que ocurre en la mecnica cuntica, en la

mecnica estadstica o en las leyes de la gentica de poblaciones, donde, a partir de los
principios, se pueden deducir (con certeza) hechos probables.
Para entender el progreso de la ciencia, debemos entender que la secuencia de
pasos que definen el mtodo cientfico no siempre se sigue estrictamente en el mismo
orden cuando se ejerce la actividad cientfica.

Una cosa es cmo se comunica el

conocimiento cientfico en los textos y otra es cmo se obtiene realmente.

En la

formulacin de un proyecto de investigacin cientfica, para lograr su financiamiento, se

propone la bsqueda de hechos que refuercen la hiptesis, habindola concebido
previamente a partir de hechos

menores que se consideran como resultados de observaciones preliminares.

En

el transcurso de la investigacin, la hiptesis puede modificarse muchas veces y para ello

se deben refinar, extender y modificar las observaciones que la sustentan.

A fin de

cuentas, lo que importa es que los conocimientos finales se puedan presentar en la

secuencia ordenada del mtodo cientfico que ya todos conocemos, tal como aparecera
en un texto. No tener en cuenta esa diferencia entre el ejercicio real y la cuenta final del
mtodo cientfico que se presenta en los textos alejar a los estudiantes del quehacer
cientfico y de la comprensin del cientfico como un humano corriente y falible. Parte
importante del fruto del trabajo cientfico se obtiene empleando el mtodo de ensayo y
error, adems del esfuerzo metdico.
Otro error es creer que la induccin y la deduccin del mtodo se ejercen sobre
dominios disjuntos. Si el acto de formular una hiptesis, basado en la observacin, es
considerado inductivo, no hemos de olvidar que, en los principios de la medicin que
permiten tal observacin, est implcito el acto deductivo. As, por ejemplo, creemos en
la medicin de una balanza porque aceptamos toda la teora incluida en su diseo, sa que
nos permite relacionar los gramos reales del objeto que se masa con el voltaje que
determina un nmero en el visor del equipo, el que interpretaremos como el resultado de la
medicin.
La pretensin cientfica en la formulacin de una hiptesis equivale al problema de
hallar una regla interna a partir de una porcin de la naturaleza y que esta regla rija sobre
la naturaleza completa, abarcando situaciones hasta entonces desconocidas. Pero esta
ltima parte de la pretensin slo se determinar por la historia de la ciencia.

Para

algunos, de alguna forma esto ha llegado a ser una parte fundamental en la definicin del
mtodo cientfico. Sin embargo, yo discrepo con la obligatoriedad de que una hiptesis
prediga hechos nunca antes registrados, o fenmenos nuevos, para ser aceptada como
parte de una argumentacin cientfica, aunque concuerdo con que toda hiptesis, para ser
aceptada, debera contar con la posibilidad de la contrastacin emprica. Creo que lo
relevante es la contrastacin emprica en s misma, aun cuando se empleen los mismos
hechos que ocasionaron el salto inductivo de la formulacin de la hiptesis.

Lo

importante es la compatibilidad entre la hiptesis y los hechos, cualesquiera que stos

sean: conocidos con anterioridad o no. Pensemos en nuestro sistema solar, con sus nueve
planetas orbitando en torno al Sol. Imaginemos que es lo nico que se conoce y que un
sujeto, estudiando las

rbitas, tal como lo hizo Kepler con Marte, pero esta vez con los nueve planetas, obtiene
las mismas tres leyes de Kepler. sas seran su hiptesis. Al mismo tiempo y en otro
lugar, otro sujeto, que conoce slo los datos de las rbitas de los primeros cinco planetas
del sistema solar, descubre las mismas tres leyes y, con el tiempo, llega a conocer las
rbitas de los cuatro planetas restantes. Aplica sus tres leyes a las cuatro nuevas rbitas y
verifica que stas tambin se cumplen. Qu es lo que tenemos, entonces? Dos sujetos
han formulado, independientemente, la misma hiptesis, verificando su cumplimiento en
los nueve planetas del sistema solar. Sin embargo, slo el segundo sujeto pudo predecir
hechos nuevos con su hiptesis. A mi parecer el conocimiento cientfico que brota de
la actividad de ambos debera ser el mismo.

En la prctica, nadie se preocupa de

contrastar las hiptesis prediciendo hechos nuevos, sino que, simplemente, se emplean
la mayor cantidad de hechos en la contrastacin de las hiptesis.

La prediccin de

hechos nuevos parece ms pirotecnia que otra cosa. Impresiona; nada ms que eso. Esto
es lo que me ha llamado la atencin: si es parte de la demostracin del mtodo cientfico
el carcter de las hiptesis de predecir hechos nuevos, se podra llegar al absurdo de
ignorar algunos hechos en ciencia para aparentar una hiptesis ms cientfica, guardando
los hechos ignorados para contrastar la hiptesis.

LA ELECCIN DE LA MEJOR HIPTESIS

Supongamos como un hecho experimental el hecho de que el aj pica. Una hiptesis
para explicar el fenmeno es: El aj est formado por partculas que poseen puntas. Una
vez en la lengua, estas puntas se clavan y producen la sensacin picante.

A esta

hiptesis la llamaremos la hiptesis de las puntas. Otra hiptesis para explicar el mismo
fenmeno es: Existen en el aj compuestos qumicos que producen la sensacin picante al
actuar directamente sobre los receptores del dolor que hay en la boca. A esta hiptesis
la llamaremos hiptesis de los capsaicinoides, que es el nombre con el que llamaremos a
este tipo de compuestos. Este dilema es clsico en ciencia: dos hiptesis con igual poder
explicativo. Cul elegir? Ante la posibilidad de que nuestra imaginacin nos brinde
ms de una hiptesis, las caractersticas exigidas deben ser la economa del
pensamiento y la armona intelectual que engendre, lo que se traducir en capacidades de
retencin y de uso

del mismo modelo. Tal vez a algunos no les agrade incluir aqu estas caractersticas
tan subjetivas, pero aceptemos desde ahora que no existe una objetividad absoluta en el
conocimiento cientfico. En lo que a m respecta, la hiptesis de las puntas es ms simple
que la otra, pues la hiptesis de los capsaicinoides supone un marco conceptual
preestablecido (compuestos, interaccin, receptores). Pero he aqu cuando la simplicidad
se torna insuficiente, pues cuando contrastamos la hiptesis que se consideraba ms
simple, sta no resiste los hechos, debiendo, necesariamente, complicarse ms.
Supongamos el siguiente experimento diseado para contrastar ambas hiptesis:
tomamos un poco de ese aj, que supondremos en polvo, y lo golpearemos con un
martillo sobre un yunque. Despus de eso probaremos su capacidad de producir
sensacin picante.

Si contina picando como antes, diremos que se invalida la

hiptesis de las puntas y que se valida la hiptesis de los capsaicinoides. Esto porque
esperaramos que las puntas se rompan con los martillazos. Tal vez las puntas son ms
firmes que el hierro del martillo y el yunque, pero esta suposicin determina un grado de
complejidad adicional a nuestra hiptesis de las puntas original. Si probsemos martillos
y yunques hechos de diamante y aplicramos todo el tiempo necesario para moler las
puntas, obteniendo los mismos resultados, deberamos creer que, necesariamente, para
continuar siendo vlida la hiptesis de las puntas, stas deberan ser muy especiales, tan
especiales como ms compleja se torna ahora nuestra hiptesis.

LA SIMPLICIDAD EN CIENCIA
Como vemos, en el ejemplo anterior, antes del experimento de contrastacin y despus del
mismo, la idea de simplicidad fue primordial.

La necesidad de definir el concepto de

simplicidad se debe a que no siempre la comunidad de cientficos puede estar de acuerdo

en cul hiptesis es ms sencilla, suponiendo que hay ms de una y que todas ellas son
equivalentes en su poder explicativo.

Muchas veces esto puede tener consecuencias

prcticas, dado lo limitado de los recursos destinados a la contrastacin de la hiptesis.

No se trata de que una hiptesis sea ms simple a un grupo de cientficos porque posean
ms experiencia en la materia o porque cuenten con los recursos experimentales
ms apropiados. Como afirmara el matemtico y ensayista Martin Gardner, para que la
cuestin

de la definicin de simplicidad tenga sentido, debemos suponer que a igualdad de

condiciones una de ellas es ms simple.
Suponga que un bilogo est realizando una serie de mediciones, las que grafica
de la siguiente forma:

Figura 3.1

Suponiendo que se trata de hallar la funcin ms simple que se ajuste a los datos,
podra enfrentarse a la siguiente disyuntiva: Trazar una curva suave que conecte todos los
puntos, tal como en la siguiente figura:

Figura 3.2

o trazar una lnea recta que pase entre los puntos, suponiendo que las desviaciones de
los puntos obedecen al error de las mediciones:

Figura 3.3
Aqu nos parece claro que la funcin lineal es ms simple que la otra.
problema es que no siempre resulta claro cul es la solucin ms simple.

El

De ah la

necesidad de cuantificar la simplicidad de una hiptesis. Lo que no se ha logrado debido a

que es posible que dependa de mltiples factores que no se puedan resumir en un slo
nmero que indique la cantidad de simplicidad.
Si pretendemos que una ecuacin sea ms simple que otra porque posee menos
trminos, eso ser engaoso porque hay ecuaciones que poseen muy pocos trminos y,
sin
embargo, cada uno de ellos involucra conceptos predefinidos que pueden ser muy
2
mc , de aspecto
complejos. Un ejemplo es la famosa ecuacin de Einstein, E
engaosamente simple.
Tampoco es apropiado el pretender hacer mnimo el grado de los trminos de una
y 2x es una lnea recta en coordenadas cartesianas, pero es una
ecuacin. La ecuacin
espiral en coordenadas polares. Adems, podemos afirmar que la ecuacin x 2 es ms
y
sencilla que la ecuacin y 5x

7 y 45z ?

La nocin de simplicidad es vaga incluso cuando se trata de figuras

geomtricas. Segn una historieta que recordara el mismo Gardner:
caverncola inventa una rueda cuadrada.

suponga que un

Como la rueda da un salto cada vez que

pivota sobre uno de sus vrtices el paleoingeniero se da cuenta de que tiene demasiadas
esquinas y se propone disear una rueda ms sencilla. Esta vez triangular. El inventor
est ms lejos de inventar una rueda ms simple y efectiva, la circular, sin vrtices.
Pero la misma rueda circular puede considerarse como la rueda ms compleja, puesto que
es la figura lmite resultante de un polgono con un nmero infinito de lados. Un tringulo
equiltero es ms simple que un cuadrado porque posee un nmero menor de lados, pero, a
su vez, un cuadrado es ms simple que un tringulo si lo que se quiere es realizar un
clculo de su rea.
Paradjicamente, una de las tareas ms complejas es la definicin del concepto de
simplicidad. Pero la razn por la que se ha determinado como propsito de la ciencia
el buscar las explicaciones ms sencillas a hechos complejos es doble:
La naturaleza parece demostrar que se manifiesta a travs de las leyes ms simples.
Es increble la cantidad de leyes que se pueden formular empleando una funcin lineal,
una parbola o una exponencial. Pero no nos engaemos, porque esto sera como creer
que Rodolfo Valentino eran en blanco y negro porque as apareca en las pelculas,
siendo que no debemos olvidar que se filmaba con los recursos disponibles. Es posible
que se hayan acumulado los modelos simples porque son sos los que hemos preferido
estudiar, conscientes de nuestras limitaciones.

Eso es lo que parece demostrarnos el

descubrimiento de la ubicuidad de caos y la arquitectura bsica de algunos sistemas

complejos, comenzados a estudiar en el siglo veinte.

Paradjicamente, las teoras del

caos y de los sistemas complejos se han formulado manteniendo la fidelidad al ideal

cientfico de la simplicidad. Como recompensa por esta devocin por la simplicidad,
muchos creen que si el modelo que se elige es el ms simple, habr ms probabilidad de
que se cumpla. Todo se resumira en una frase de Einstein: Dios no hubiera dejado
escapar una oportunidad as de hacer tan sencilla la naturaleza.
Por otro lado, como lo ha dicho Nelson Goodman: Cuando se desea ir de un sitio
a otro y hay varias rutas posibles y con iguales probabilidades de ser transitables, nadie
te pregunta por qu has tomado la ms corta.

En otras palabras, frente a dos teoras

equivalentes, el cientfico pondr a prueba la ms sencilla de contrastar. Este es un

enfoque

pragmtico, pero no escapa a la necesidad de definir el concepto de simplicidad,

cuando, efectivamente, salvo en eso, dos teoras son absolutamente equivalentes.
El balance entre la simplicidad de las partes y la simplicidad del todo
En ciencia, buscar la simplicidad pero desconfiar de ella.

Esa sera la mxima,

segn North Whitehead. Por muchos aos, Kepler defendi la circularidad de las rbitas
planetarias. Pensaba que la circunferencia era la curva cerrada ms sencilla y que, por
lo tanto, debera ser la elegida por la naturaleza. Con el tiempo no tuvo ms alternativa
que admitir que las rbitas eran elpticas, pero escribi que las elipses eran estircol
que se vio obligado a introducir para liberar a la astronoma de cantidades de estircol
mucho mayores. Lo que significaba que, sacrificando la simplicidad en cierto nivel de
una teora, se poda lograr mayor simplicidad en el conjunto. El avance de la ciencia
consiste en aumentar la complejidad de las teoras en favor de una visin ms
integrada de la naturaleza, construyendo leyes que abarquen ms casos y situaciones.
Tal como Newton determin que la aceleracin de gravedad de Galileo poda variar
con el cuadrado de la distancia entre el objeto y el centro de la Tierra. Posteriormente se
debi incluir las correcciones relativistas de Einstein. Del mismo modo, la complejidad
introducida por los postulados de la mecnica cuntica fue en beneficio de la unificacin
de los conceptos de onda y partcula, salvando paradojas hasta entonces inexplicables por
las teoras clsicas de la mecnica, incluida la relativista.

EL EMPLEO DE MODELOS EN CIENCIA

El empleo de modelos en ciencia se debe a un intento de concrecin del ideal de
simplicidad.

Si bien hemos visto que no es sencillo proporcionar una definicin de

simplicidad para discriminar objetivamente cul de dos hiptesis es ms sencilla, s

podemos estar de acuerdo en que muchas veces, a menor informacin necesaria para la
descripcin de la hiptesis, mayor simplicidad de la misma.
En eso consisten

los modelos, en representaciones de la realidad con la

informacin necesaria para crear un escenario en donde sea posible la formulacin de la

hiptesis y su contrastacin emprica. Muchas veces el modelo puede ser una simulacin
computacional

o una estructura matemtica.

Como veremos, los modelos, con su simplicidad y su

abstraccin, son potentes herramientas de integracin de las ciencias, porque problemas de

naturaleza muy diversa pueden admitir un mismo modelo para su resolucin.
Me referir a un chiste recordado por Lawrence M. Krauss para graficar
la exagerada abstraccin de la realidad a la que puede llegar un modelo:
En una granja ha disminuido la produccin de leche, por lo que consultaron a
un fsico, a un ingeniero y a un psiclogo.
Cuando consultaron al ingeniero, ste opin: Se debe disminuir el tamao de
los establos para apiar ms al ganado, de modo que cada vaca cuente con 8,5 metros
cuadrados.

Tambin se debera aumentar en 4 por ciento el dimetro de las

mangueras ordeadoras, para mejorar el flujo promedio de leche.

El psiclogo inform lo siguiente: Debera pintarse el interior de los establos
de color verde: Es un color ms suave que el marrn, mejorara el nimo de las vacas e
inducira un mayor flujo de leche. Tambin deberan plantarse ms rboles en los sitios
en donde pastan, con el fin de disminuir su aburrimiento.
Cuando llamaron al fsico, ste pidi una pizarra, dibuj un crculo en ella
y comenz diciendo: Supongamos que la vaca es una esfera
Hasta aqu el chiste (hay que decirlo). En eso consiste la abstraccin; en este
caso llevada hasta el extremo del ridculo, pero veremos que el modelo del fsico no
era tan
malo.
Imaginemos una vaca esfrica que aumenta su radio al doble. Qu podemos
decir en cunto a su superficie y a su masa?

Considerando que la frmula para la

superficie es proporcional al cuadrado del radio y que la frmula para el volumen es

proporcional al cubo del radio, cada vez que el radio se duplica la superficie aumenta en
un factor de 4 y el volumen aumenta en un factor de 8. Si suponemos que estas vacas,
adems de esfricas, estn hechas de un material homogneo, aumentar su volumen
implica aumentar su masa en la misma proporcin, por lo que cada vez que el radio se
duplica podemos concluir que la razn Masa:Superficie (8:4) aumenta al doble de lo que
era antes. Como vern, no hay piel que aguante un crecimiento indiscriminado, as es
que el fsico demuestra que el

crecimiento indiscriminado debe descartarse como solucin del problema para aumentar la
produccin de leche. Lo que hay que reconocer en este anlisis es lo innecesario de que
las vacas sean esfricas, y el fsico podra estar de acuerdo, puesto que, cada vez
que se aumenta al doble el tamao de cualquier objeto, su superficie aumenta 4
veces

su volumen aumenta 8 veces, lo que puede verificarse si se realizan las

mediciones cuidadosamente.

Pero sin la simplicidad del modelo propuesto la

conclusin no hubiese sido tan directa. Anlisis de este tipo, cuando se han incluido
otros factores dependientes de la escala, han explicado por qu no existen hormigas de
nuestro tamao, por qu los elefantes necesitan tener el cuello tan ancho y por qu los
grandes dinosaurios deban tener la cabeza pequea.
Los modelos representan la realidad en base a una simplificacin necesaria de la
misma. Dicho de otra forma, a travs de la abstraccin de detalles irrelevantes. Aqu
hay dos palabras claves, como lo hiciera notar Lawrence M. Krauss: abstraccin e
irrelevantes. Esto quiere decir que slo se toman de la realidad aquellos elementos que
permiten una mejor comprensin del fenmeno o un tratamiento terico o experimental
eficaz. Muchas veces, esta simplificacin de la realidad supone la idealizacin de la
misma.

Todos sabemos que la Tierra es casi esfrica, pero para calcular su volumen

rpidamente nos remontamos a un modelo ms elemental que prescinde del casi.

En

otro caso, la simplificacin obedece a que facilita la observacin y sus resultados a travs
de la realizacin de experimentos. Un experimento no es ms que una observacin que
supone el control de la realidad, imponiendo la simplicidad al sistema que se pretende
estudiar. Galileo fue uno de los primeros en simplificar la realidad a travs del empleo de
modelos y la realizacin de experimentos. Es ste el mrito que se le atribuye en la
consolidacin del mtodo cientfico. Galileo mostr cmo debe hacerse para extraer de la
naturaleza las leyes fundamentales sin distraerse por los detalles irrelevantes que son ms
evidentes que la misma ley. As, la esencia del movimiento poda llegar a entenderse
slo si se ignoraban las circunstancias particulares en que se encontraban los objetos en
movimiento: Habis observado que dos cuerpos que caen en el agua, uno con una
velocidad cien veces mayor que la del otro, caern por el aire a velocidades tan
semejantes que uno no sobrepasar al otro ni por una centsima de parte?

As, por

ejemplo, un huevo de mrmol descender en el agua cien veces ms rpido que un

huevo de gallina, mientras que en el aire, cayendo

desde una altura de 20 codos, uno caer antes que el otro pero a una distancia menor que
el ancho de cuatro dedos. Su conviccin era que, eliminando el efecto del medio, todos
los objetos caeran de la misma manera. En contraposicin a quienes se dejaban engaar
por los detalles irrelevantes, escriba: Confo en que no seguiris el ejemplo de muchos
otros que desvan la discusin de su objeto principal y se aferran a algunas de mis
afirmaciones que se aleja de la verdad por el ancho de un cabello y, tras de este cabello,
esconden una falta tan gruesa como el cable de un navo.
Como le era difcil estudiar la cada libre, por ser un movimiento tan rpido,
estudi la cada libre no tan libre en un plano inclinado. Mientras menos inclinado
estaba el plano, menos se aceleraba el cuerpo en movimiento.

Esto le permiti

demostrar, en movimientos de cada ms lentos, que el desplazamiento era proporcional al

cuadrado del tiempo, con la constante de proporcionalidad igual a la mitad de la
aceleracin. Para ello, debi suponer que la aceleracin era constante; es decir: en la
cada, haba aumentos iguales de velocidad en tiempos iguales.

Supuso que esta ley

para la cada en un plano inclinado tambin deba cumplirse en la cada libre vertical,
aunque con otro valor de aceleracin mayor, que poda calcularse nuevamente de la
proporcionalidad entre el cuadrado del tiempo y el desplazamiento. Su modelo posea dos
rasgos: era terico, porque se haba olvidado del roce y de los detalles irrelevantes del
objeto que caa, como su forma, y era experimental, porque haba manipulado la
realidad para simplificarla acondicionando todo de un modo conveniente que dejara
entrever la ley natural ms fcilmente (Se dio cuenta de que para descubrir la ley del
movimiento de cada no era necesario que los cuerpos cayeran verticalmente, sino que
podan hacerlo en planos inclinados).
Muchas veces esta manipulacin de la realidad supone que se mantengan
constantes a un grupo de variables del sistema, para observar los efectos en el mismo de
la variacin de otra. En biologa es comn la realizacin de experimentos donde se
mantiene constante la temperatura y la presin atmosfrica, para estudiar el efecto de una
sustancia en el metabolismo celular. En general, hasta antes de Galileo, la realidad era
un monstruo que haba que tragarse crudo, con toda su piel y sus uas.

Galileo la

degustaba en pequeos bocados, los que a veces haba que depurar. Sin embargo, no
pretendo erigir una imagen de Galileo como el padre del mtodo cientfico. No podra
asegurarlo. Kepler, por ejemplo,

tambin aplic el mtodo cientfico, en base a la observacin de los astros, aunque sin
la realizacin de experimentos, y tal vez sin la contrastacin suficiente de sus hiptesis.
Pero, en el mtodo cientfico, la experimentacin es slo una de la formas de observar.
La biologa aparenta situaciones en las que no pareciera que se trabaja en base
a modelos, sino, ms bien, con la realidad completa, tal como es. Un microbilogo que
describe cmo una colonia de bacterias muere debido a la accin de un antibitico
aparenta abarcar toda la realidad.

Sin embargo, no debemos olvidarnos que cada

concepto del que somos conscientes margina los conceptos del entorno por el slo hecho
de no ser capaces nosotros de asimilar la realidad completa. Ms an, el slo concepto de
vida es controversial, as como el concepto de especie, por lo difciles de definir. Por
lo tanto, el microbilogo no abarca toda la diversidad ni la continuidad de la naturaleza
cada vez que piensa en sus microbios. Al mismo tiempo, ignora lo que l cree que no es
relevante, como el tamao de los microbios o el agujero de la capa de ozono.
Quermoslo o no, estamos condenados a observar la naturaleza a travs de la construccin
de modelos y la biologa no es la excepcin. El reconocimiento del uso de modelos en
biologa es menos cuestionable en casos en los que hay que interpretar registros precisos
que delatan el sometimiento de los sistemas vivos a las mismas leyes qumicas y fsicas
que se aplican a la materia inerte, tal como el caso de la propagacin del impulso nervioso
en una prolongacin neuronal.
Si no se posee un modelo capaz de interpretar correctamente los resultados de
un experimento, el conocimiento de tales resultados resulta vano a la ciencia. Esto hace
que muchas veces el cientfico proceda al revs: un modelo terico muy elemental,
ultrasimplificado

de la realidad, augura esperanzas de que los resultados de

los experimentos puedan ser correctamente interpretados. Sobre esto, como dijo Lawrence
M. Krauss, algunos fsicos plantean lo siguiente: Si usted camina por la noche en una calle
mal iluminada, con apenas un farol, y se percata de que ha perdido las llaves de su
automvil,
Dnde busca primero? Por supuesto que debajo del farol. No porque necesariamente
crea que fue ms probable perderlas ah, sino que es el nico lugar en donde podra
encontrarlas. As tambin, gran parte de la ciencia funciona buscando all donde hay
luz.

A veces el crculo de luz es pequeo, ofrecindonos una visin parcial de la

realidad, pero potente como para interpretar con lucidez lo que hay en su interior.

LAS HIPTESIS O CUANDO LO SUFICIENTE NO ES NECESARIO

Considere la siguiente frase: Si llueve, entonces, los techos se mojan. Note que hay dos
proposiciones: llueve y los techos se mojan, conectadas por una relacin
de implicancia: si, entonces. Podemos reconocer que la proposicin completa, Si
llueve, entonces, los techos se mojan, equivale a decir que es suficiente que llueva
para que el techo est mojado, pero no permite afirmar que es necesario que llueva para
que el techo est mojado, puesto que el techo puede haberse mojado por otros motivos,
como si se hubiese mojado con la manguera de un jardn. Un ejemplo ms puro, si se
quiere, puede ser uno de tipo matemtico: Si este objeto es una esfera, entonces este
objeto no tiene puntas. Esto es lo mismo que decir: Que este objeto sea una esfera es
suficiente para que no tenga puntas, pero nada se ha dicho de que sea o no necesario
ser un objeto esfrico para no tener puntas (de hecho, conocemos objetos sin puntas que no
son esferas).
Adems de las proposiciones que la componen, la implicancia misma es una
proposicin que puede tambin ser verdadera o falsa, dependiendo de los valores de
verdad de

cada

una

de

las

proposiciones

que

relaciona.

Todo

puede

representarse ms formalmente a travs de la lgica simblica:

Sean p y q dos proposiciones, con el signo
implicancia:
decir que p implica q (p
verdad:

representando una relacin de

q) es concordante con la siguiente tabla de

La primera fila de la tabla indica tres proposiciones, cada una encabezando una
columna. Las celdas de cada fila posterior indican el valor de verdad de la proposicin
que encabeza la columna a la que pertenece la celda. Este valor de verdad se indica con V
(verdadero) o F (falso). Cada fila posterior a la primera representa un caso de eleccin de
valores de verdad coherentes con la relacin de implicancia: Las dos primeras

columnas consideran todas

verdad de las

las

posibles combinaciones

entre

los valores de

proposiciones p y q, en tanto que la tercera columna representa los nicos valores de

verdad posibles para la proposicin p

q, considerando los dems valores de verdad

en la fila correspondiente.
Como se ve, si afirmamos que p es suficiente para que ocurra q significa
que:
- Cada vez que ocurra p (V) deber ocurrir q (V) (segunda fila de la tabla).
En caso que, ocurriendo p (V), no ocurre q (F), diremos que la relacin de
implicancia es falsa (tercera fila de la tabla); pues eso es incompatible con que p
es suficiente para que ocurra q.
- Cada vez que no ocurra p (F), puede ocurrir o no ocurrir q (V o F) (cuarta y
quinta filas de la tabla); pues no hemos afirmado que p sea necesario para
que ocurra q.
As, la relacin de implicancia puede reemplazarse equivalentemente por la tabla
de verdad anterior.
Veamos cmo resulta la aplicacin de la tabla de verdad sobre nuestros
ejemplos iniciales: para ser breves, digamos que si las relaciones de implicancia de los
ejemplos son verdaderas, entonces es falso que este objeto es una esfera y tiene puntas,
as como tambin es falso que llovi y el techo est seco. En ambos casos, p es falsa y
q es verdadera, por lo tanto la proposicin p implica que q es falsa.
Los matemticos llaman a la proposicin p una hiptesis.

La que tiene el

mismo significado que la hiptesis del mtodo cientfico. Las hiptesis cientficas no son
sino proposiciones suficientes (nadie asegura que sean necesarias, y, por lo tanto, no
excluyen a otras hiptesis tambin suficientes).

Las hiptesis se van excluyendo

mutuamente en la medida en que el universo de fenmenos estudiados va aumentando

y algunos de los hechos experimentales no son concordantes con algunas hiptesis. A
las hiptesis que sobreviven es a lo que llamamos una verdad cientfica. Como result en
el ejemplo acerca de por qu el aj pica.

HECHO 1

HIPTESIS 1

HECHO 3

HECHO 2

HECHO 4

HIPTESIS 2
HIPTESIS 3

Figura 3.4. En ciencia, un conjunto de hechos determina un conjunto de hiptesis

compatibles con los hechos a travs de un razonamiento de tipo inductivo, el que bien
podra determinar ms de una hiptesis. En cambio, el razonamiento deductivo permite
deducir los hechos a partir de la hiptesis.

Suponga que un cientfico observa a un grupo de animales de la misma especie

nadando y comunica sus resultados muy brevemente a otros dos cientficos diciendo
solamente: He registrado los siguientes hechos sobre los animales vistos:
-

poseen pico como el del pato; poseen pata con membrana natatoria; y se

reproducen por huevos.

La hiptesis de uno de los cientficos que lo escucha, acerca de cul es la
especie observada, ser: se trata de patos. Sin embargo, otro cientfico formular la
siguiente hiptesis: se trata de ornitorrincos (Un mamfero monotrema australiano cuyas
caractersticas calzan perfectamente con los hechos).

Un hecho adicional, como que

los animales posean plumas, podra servir para descartar esta ltima hiptesis, pero, en
ausencia de ms informacin, y en trminos cientficos, ambas hiptesis son satisfactorias.
Cuando se contrasta una hiptesis experimentalmente, el cientfico verificar la
validez de sus razonamientos, hasta el punto de asegurar la validez de la relacin de
implicancia entre la hiptesis y el fenmeno. Por lo tanto, puesto que la fila eliminada
corresponde a un razonamiento falso, l solamente tendr presente las siguientes filas de la
tabla de verdad anterior:

Es decir, tratar de probar que el fenmeno q es verdadero. Dicho fenmeno es necesario,

pero nada se ha dicho respecto de que sea suficiente para que la hiptesis sea
verdadera. Por lo que, si el fenmeno es verdadero, al cientfico no le quedar sino
aceptar que su hiptesis puede ser o no verdadera (segunda y tercera filas de la tabla),
comunicando a la comunidad cientfica que es probable que la hiptesis sea verdadera
(razonamiento inductivo).

Si el fenmeno q es falso, dado que el razonamiento de

implicancia es verdadero, se descarta absolutamente la hiptesis que lo implicaba (ltima

fila de la tabla anterior).
Si quiere sorprender a sus amigos con razonamientos rpidos, considere el siguiente
resumen de lo que hemos dicho anteriormente: Dado que p implica q (p
no
_

q ( q ) implica no p ( p ) (
q

q), entonces

p ). As, en forma automtica, podemos decir que si,

cada vez que llueve, los techos se mojan quiere decir que si los techos estn secos,
entonces no ha llovido.

As como: si, cada vez que un objeto es esfrico, no

tiene puntas quiere decir que si un objeto tiene puntas, entonces no es esfrico.
Puedo advertir que derivar estas implicancias puede llegar a convertirse en un verdadero
vicio, aunque ayuda a ganar rpidamente algunas discusiones.

Otra enseanza para

la vida misma, derivada del anlisis anterior, es que cuando se discute acerca de un
fenmeno o hecho determinado, de nada sirve discutir sobre la lgica si las diferencias
estn en el valor de verdad que cada interlocutor asigna a una hiptesis. Reconocer que
las diferentes opiniones acerca de la validez de un hecho se deben a diferencias que se
remontan a los principios puede evitar muchas discusiones intiles.
Confundir la constatacin de la coherencia entre los hechos y la hiptesis con el
establecimiento de una verdad absoluta e infalible acerca de la realidad, ms all de
la simple formulacin de un modelo probable, es un error no poco comn en el que
incurri hasta el mismo Galileo. Sostuvo con vehemencia que la Tierra, junto a los dems
planetas,

orbitaba en torno al Sol, por el hecho de que Venus tena fases. Sin embargo, tambin
el hecho de las fases de Venus compatibilizaba con el sistema que Tycho Brahe haba
propuesto, en el que los cinco planetas conocidos, excluyendo la Tierra, orbitaban el Sol,
en tanto que el Sol y la Luna orbitaban la Tierra fija.
El esquema deductivo vlido habra sido:
A. Si el sistema planetario es heliocntrico, Venus muestra
fases. B. El sistema planetario es heliocntrico.
C. Por lo tanto, Venus muestra fases.
Pero Galileo cambi la segunda premisa y la conclusin:
A. Si el sistema planetario es heliocntrico, Venus muestra
fases. B. Venus muestra fases.
C. Por lo tanto, el sistema planetario es heliocntrico.
Resumiendo, que Venus muestre fases es necesario, pero no suficiente, para que
nuestro sistema planetario sea heliocntrico. Por lo tanto, la constatacin de que Venus
muestre fases slo determina que sea probable que nuestro sistema planetario sea
heliocntrico. Galileo confundi la condicin necesaria con una condicin suficiente.
Galileo haba cometido un fallo garrafal que el propio Kepler le ech en
cara. Cuando el Cardenal Roberto Bellarmino, cabeza de los telogos catlicos del
momento se enter del razonamiento de Galileo, escribi: Y no es lo mismo demostrar
que, supuesto que el Sol est quieto en el centro y la Tierra en el cielo, se salvan las
apariencias que demostrar que en verdad el Sol est inmvil en el centro y la Tierra el
cielo. Creo que puede que se d la primera demostracin, pero tengo muy serias dudas
sobre la existencia de la segunda.
Digamos, por lo tanto, en conformidad con el Cardenal Bellarmino, que en nuestros
das no es la palabra verdad sino la palabra modelo la que se emplea en la comunidad
cientfica.

LA DEMOSTRACIN DE LA CAUSALIDAD
Algunas veces, una hiptesis puede formularse como una relacin de causalidad, lo que es
muy comn en biologa. Por ejemplo, podemos decir que un determinado antibitico es el
causante de la muerte bacteriana porque cada vez que lo agregamos las bacterias mueren.
Hay una relacin causa-efecto. Sin embargo, alguien podra sugerir que las bacterias
no mueren debido al antibitico, sino que debido a que el cultivo de bacterias haba
agotado sus nutrientes.

En ese caso, realizamos nuevamente el experimento con dos

cultivos idnticos, pero agregamos el antibitico slo a uno de ellos, denominando

al otro el cultivo control. Si en el cultivo control hay muerte bacteriana despreciable
en cantidad a la del otro, habremos comprobado una relacin de causalidad. No todas
las correlaciones corresponden a relaciones de causalidad.

Es comn que se intente

forzadamente demostrar lo contrario. Cuntas veces hemos escuchado lo siguiente?: La

legalizacin del divorcio causa un aumento en el nmero de separaciones matrimoniales,
porque los pases que han legalizado el divorcio son los que presentan mayores ndices
de estas separaciones.

Sin pretender polemizar acerca de un tema estrictamente

valrico, el valor deductivo de este razonamiento equivaldra a decir, mi cada del

cabello aumenta el precio del petrleo, porque, con los aos, puedo observar una
correlacin entre ambos.

Las correlaciones, en s mismas, no son sino argumentos

probabilistas en favor de una relacin de causalidad.

Ms an, aunque nos duela, la misma relacin de causalidad, una vez
demostrada, no es sino otra afirmacin probabilista, puesto que, como ya se dijo, ni
siquiera la biologa escapa al estigma de la probabilidad que empaa cualquier modelo
cientfico.

Entonces, estrictamente, la palabra demostrar, cuando se refiere a una

relacin de causalidad en un fenmeno, siempre debe emplearse en un contexto hipottico,

como parte de un razonamiento inductivo. A veces, en biologa, esta visin de la ciencia
resulta demasiado pesada, cuando es demasiado evidente la identificacin entre el modelo
y la realidad que se estudia, como podramos observar en la relacin de causalidad entre
un microorganismo y una enfermedad Qu modelo? -podra decir el microbilogo- Yo
trabajo con la realidad: Efectivamente, estos microorganismos causan la enfermedad. Sin
embargo, a veces el modelo est ms alejado de la realidad y ah las sutilezas
epistemolgicas pueden tener consecuencias prcticas que deberan ser tomadas en
cuenta.

Tal vez esos dominios

biolgicos de mayor cuidado sean aquellos relacionados con el estudio de los fenmenos
de la conciencia y el conocimiento.

Parte III

LA INTEGRACIN A TRAVS DE LOS MODELOS

MATEMTICOS

La funcin lineal

EL ESTUDIO DEL CAMBIO

Una de las funciones ms simple que podemos plantear es: mx , y es lo que
y
reconocemos como una proporcionalidad directa entre x e y.

Cuando el parmetro m

es positivo, se trata de un tipo de relacin creciente entre ambas variables. En el caso

de m negativo, se trata de un tipo de relacin decreciente.
La siguiente es una generalizacin de esta relacin:
y

mx

b,

en la que se ha agregado un valor constante, b, a la ecuacin anterior. Si el parmetro b es

distinto de cero, la relacin ya no se considera como una proporcionalidad directa, a
pesar de que el crecimiento de una variable respecto de la otra an es similar al caso de
proporcionalidad directa: las unidades en que aumenta y todava son proporcionales a las
unidades en que aumenta x, pero y ya no se determinan directamente por x slo a
travs de m. El lugar geomtrico de todos los pares (x, y), denominados puntos en el plano
cartesiano, es una lnea recta, por lo que se le conoce a dicha ecuacin como la ecuacin
de la recta y se dice de ella que define una relacin lineal entre las variables x e y.
En la grfica de la funcin, b representa el intercepto con el eje de las y e m
representa la inclinacin de la recta, por lo que se le denomina pendiente. Toda recta
puede determinarse por dos puntos, representando dos pares de datos del tipo (x, y), por lo
que no haran falta ms datos para determinar los parmetros b y m. m es una medida
de la intensidad y el sentido del cambio de y con respecto a x. Mientras mayor sea
la magnitud de m, ms intenso ser este cambio y mayor la inclinacin de la recta.
Si m es positivo, la recta determinar una relacin creciente entre las variables.

Lo

contrario ocurrir si m es negativo.

Es sorprendente la ubicuidad de la relacin lineal en los modelos matemticos,
a pesar de que en la naturaleza abundan los problemas complejos que demandan de
modelos

matemticos con funciones igualmente complejas. Es decir, a pesar de que la naturaleza

es altamente no lineal, seguimos recurriendo a la funcin lineal, porque nos gusta su
pendiente (m), que indica cmo cambia una variable en funcin de otra. Si la variable x
es el tiempo y la variable y es la posicin de un cuerpo que se mueve uniformemente
en lnea recta, decimos que y se relaciona linealmente con x y que la pendiente
representa la velocidad de la realizacin del movimiento: tanto cambi la posicin
segn tanto cambi el tiempo. Entonces, generalizando, podemos pensar alegremente
que, tratndose de que x es el tiempo y que y es cualquier cosa, m es la velocidad
de cambio de esa cualquier cosa. En decir cualquier cosa, radica nuevamente la
integracin de las ciencias.

Porque, si y es la concentracin de un producto del

metabolismo, diremos que m es la velocidad de una reaccin metablica, si y es la

poblacin de infectados en una poblacin, diremos que m es la velocidad de infeccin,
etctera.
Tal vez usted ya se dio cuenta de que estoy ultrasimplificando las cosas, pues
acabo de decir que la naturaleza, en general, no es lineal. As, las funciones, cuando se
grafiquen, en general no se vern como lneas rectas. Sin embargo, si nos acercamos, si
ampliamos un segmento de la grfica de cualquier funcin continua, podremos apreciar
que lo que antes era curvo ahora se aprecia como una recta, tal como la Tierra se
observa plana desde su superficie, a pesar de que es aproximadamente esfrica. Una
ampliacin de la grfica de la funcin significa una disminucin de la escala temporal
(suponemos que se trata de registros de tiempo), de modo que podemos observar la
funcin en intervalos de tiempo muy pequeos, tan pequeos como queramos, de modo
que podamos observar lneas rectas cada vez ms perfectas, cuyas pendientes se
aproximen cada vez ms a un valor de velocidad instantnea.

Esas rectas que

aparecen cuando ampliamos la grfica de la funcin, si se prolongan en sus extremos,

se ven desde lejos (empleando unidades de tiempo mayores para graficar) como rectas
tangentes al punto en torno al cul se hizo la ampliacin de escala. Por eso se dice que
la velocidad instantnea de cambio de una variable (entindase la velocidad de cambio de
una poblacin de bacterias, de una posicin o de una poblacin de infectados) es la
pendiente de la recta tangente a un punto de la curva que representa la funcin, tal que
dicho punto corresponde al mismo instante en que se quiere calcular la velocidad.
frase anterior es larga, pero el esfuerzo por

La

comprenderla

supone

la

conquista

de

la

interpretacin

geomtrica

de

la

velocidad instantnea para todo tipo de procesos. Bien vale el esfuerzo.

Aqu va una forma menos rigurosa de decir lo mismo, pero que ayuda a retener el
concepto: la velocidad instantnea de cambio de una funcin es la inclinacin de la curva
que la representa en un instante determinado.
Ahora toda la verdad: Esa pendiente, esa velocidad instantnea, es lo que llaman
la derivada de la funcin en un punto. Que no slo se calcula cuando se emplea al
tiempo
como variable x, sino que puede ser cualquier otra variable con unidades diferentes.

y mx

m
con

y
,
x
x muy

pequeo.

Figura 4.1. Grfica de la funcin y = y(x). Si x es el tiempo, el recuadro equivale a una

ampliacin de la escala temporal. En ese caso, tambin se dice que m es la velocidad
instantnea en el instante en que la recta es tangente a la curva. Una forma de calcular
m es a travs de la razn entre la diferencia entre dos valores consecutivos de y, y la
diferencia entre dos valores consecutivos correspondientes de x. Es decir, si se tienen
dos puntos muy prximos (x1, y1) y (x2, y2) sobre la curva, m se calcula,
aproximadamente, como m y 2 y1 / x2 x1 . La validez de la aproximacin del
clculo crece con la aproximacin de los puntos. Las diferencias entre un valor final de
una variable y un valor inicial, como en este caso, se le suele indicar con el signo .

USO DE LA FUNCIN LINEAL EN LA CONSTRUCCIN DE MODELOS

El valor de la imagen (y) de muchas funciones continuas puede aproximarse de modo
satisfactorio en funcin de la variable del dominio (x) a travs de un polinomio.
Mientras mayor sea el grado del polinomio, mayor ser la exactitud de la aproximacin:

a0

a1 x

x0

a2 x

x0

...

an x

x0

...

Cuando el valor de x es muy prximo a x0, y siendo a1 distinta de cero, lo que

se obtiene es un polinomio de grado uno; o sea que la funcin tiende a
comportarse
linealmente:

a0

a1 x
a0

a1 x

x0
x0

a2 x
a1 x a0

x0

...

an x

x0

...

a1 x0 .

No siempre es vlida esta aproximacin de primer orden (es decir, con n = 1).
Muchas veces, dado que el coeficiente a1 de este trmino puede ser cero, se requieren
aproximaciones de segundo orden, consistentes en el empleo del trmino cuadrtico
2
x 0 . Por ejemplo, a veces se puede calcular la energa del enlace qumico como si
a2 x
se tratara de dos masas unidas por un resorte, pero cercanas a su posicin de equilibrio. En
este caso, se puede demostrar que el trmino cuadrtico permite aproximar muy bien
la energa del enlace, tal como si se tratara del sistema del resorte.
En resumen, muchos fenmenos en la naturaleza que no son lineales, pueden
comportarse como tales en torno a un valor determinado (estado) de las variables del
sistema.

A continuacin veremos uno de estos fenmenos, el que permite que se

pueda disear una tcnica muy conocida de anlisis qumico cuantitativo, muy utilizada en
los laboratorios de biologa.

DETERMINACIN DE CONCENTRACIONES POR ESPECTROFOTOMETRA

La siguiente es una de las aplicaciones ms importantes de la funcin lineal en el trabajo
de un laboratorio de bioqumica.
Las molculas poseen electrones capaces de estar slo en ciertos niveles de energa,
como si fuesen peldaos de una escala, sin estar permitidos niveles intermedios.
Cuando llega una cierta cantidad de radiacin electromagntica (luz visible o no visible) a
los electrones, la energa de esta radiacin ser absorbida por los electrones, dependiendo
de si aquella energa es capaz de promover a los electrones a los niveles energticos
superiores permitidos. La energa de la radiacin incidente depende de su longitud de
onda, siendo ms energticos aquellos paquetes elementales o cuantos de luz
(denominados fotones), de menor longitud de onda. Normalmente, la luz se compone de
un amplio espectro de longitudes de onda, de modo que slo habra absorcin de la
porcin de luz con aquellas longitudes de onda capaces de promover los electrones a
niveles energticos superiores.
Esta propiedad de la materia es aprovechada para la cuantificacin de molculas, a
travs de la medicin de la luz absorbida por una muestra disuelta, contenida en una
cubeta transparente que se interpone al paso de la luz.

El aparato empleado para la

realizacin de esta medicin es conocido como espectrofotmetro y se encuentra en

laboratorios clnicos y de investigacin de todo el mundo.
Aceptemos, por ahora, que la muestra con la sustancia que se quiere determinar
absorbe la luz segn una cantidad adimensional denominada absorbancia y que es
obtenida de la lectura del equipo. Empricamente, se ha determinado que la relacin entre
la absorbancia (A) y la concentracin (C) de la molcula que absorbe es lineal para el
rango de
valores de absorbancia entre 0 y 1,5. La relacin se describe, entonces, por:
A

mC ,

con m una constante que depende de la longitud de onda de la radiacin incidente,

la especie qumica y la temperatura, entre otros parmetros. Sin embargo, con el fin
de realizar un mejor ajuste lineal, se acostumbra no imponer que la recta anterior pase por
el origen de coordenadas, por lo que se acostumbra agregar una constante b. As, la
obtencin

de la mejor recta ahora depender de la obtencin de los dos parmetros m y b,

cumplindose que
A

mC

b,

Ntese que podemos suponer que esta funcin es una aproximacin de primer orden
(en torno a C = 0) de la funcin absorbancia respecto de la concentracin:
A a0

a1C

a2C

...

anC

... a 0

a1C .

No perdamos de vista que la validez de la aproximacin lineal es para valores de C muy

prximos a cero. As es que cualquiera con los conocimientos matemticos suficientes
y sin mucha idea de qumica habra podido plantear un modelo lineal como una primera
tentativa de aproximacin de la funcin absorbancia.
Estos mtodos de determinacin de la concentracin de una sustancia se denominan
espectrofotomtricos (denominados as porque miden en base a una porcin del espectro de
luz) y son empleados para cuantificar protenas, DNA y azcares, entre otras miles de
molculas de importancia biolgica.

Para el caso de la cuantificacin de protenas,

estas molculas absorben luz de 210 nm, debido a la excitabilidad de los electrones de los
tomos que estn formando parte del enlace peptdico (aqul que permite la
unin de un aminocido con otro). Cada vez que se intenta descubrir la concentracin de
un compuesto en una muestra (denominada muestra problema), se obtiene el valor de
absorbancia y, empleando la ecuacin anterior, se despeja el valor de la concentracin.
Sin embargo, para que este mtodo sea vlido, es necesario conocer los valores de los
parmetros m y b.
Para ello, supngase que una concentracin C1 de muestra entrega un valor de
absorbancia A1 (medido con el espectrofotmetro).

Ambos valores se relacionan por

la
ecuacin:
A1

mC1

b.

Tenemos, pues, el par de datos (C1, A1) y las incgnitas m y b. Para despejarlas requerimos
de otra ecuacin (pues el nmero de ecuaciones debe ser igual al nmero de incgnitas, si
queremos conocer el valor de todas las incgnitas). Entonces, preparamos otra muestra
a concentracin C2, midiendo un valor de absorbancia A2, cumplindose la ecuacin:

A2

mC 2

b.

Dadas estas dos ecuaciones, es posible despejar m y b.

UN MTODO PARA OBTENER LA MEJOR RECTA

Ntese que dados m y b, o dados dos pares de datos del tipo (C, A), la funcin lineal que
relaciona cualquier valor de C con algn valor de A queda unvocamente determinada.
As es que la funcin se determina en cualquiera de los siguientes casos:
- Determinacin algebraica de m y b, mediante dos pares de
datos. o
- Determinacin grfica de una recta en el plano mediante dos puntos, cuyas
coordenadas son dos pares de datos.
Podramos hacer una crtica a cualquiera de estos mtodos, puesto que los pares de
datos (C, A) tienen asociados errores experimentales. Por lo que si consideramos un par
de datos (C, A) adicional, empleando el mtodo grfico, lo ms probable ser que el punto
que lo representa no coincida con la recta determinada anteriormente con los otros dos
puntos. Esta dificultad ha de ser tomada en cuenta cada vez que se tengan ms de dos
pares de
datos.
Por qu complicarnos con un mayor nmero de datos? Sucede que los errores
experimentales, generalmente, son aleatorios. Tomando esto en consideracin, cuando
el nmero de mediciones es muy grande, es posible encontrar una medicin con un error
asociado que es opuesto al error de otra medicin.

As, para minimizar el error, sera

deseable encontrar una forma de calcular m y b empleando muchos pares de datos del
tipo
(C, A).
El problema de minimizar el error en la determinacin de los parmetros m y b
quedar ms claro si consideramos la interpretacin grfica de nuestro problema:

Figura 4.2
Se trata, entonces, de determinar qu recta es la ms apropiada. Intuitivamente,
podramos decir que aquella que tenga tantos puntos por abajo como por arriba. Sin
embargo, este criterio no es conveniente, puesto que no considera la lejana de los puntos
a la recta.

Deberamos pretender que no haya puntos muy alejados de la recta.

As,

convendra definir la desviacin o alejamiento de todos los puntos de la recta

y minimizarla. La siguiente es una solucin analgica al problema de la obtencin de
la mejor recta de ajuste:
Podemos dibujar los puntos representantes de los datos sobre una superficie de una
tabla de madera, clavando a medias un clavo en las posiciones sealadas por los
puntos. Posteriormente, hagamos pasar una varilla por dentro de cierto nmero de anillos
de goma, uno por cada clavo. Situemos ms o menos la varilla entre los clavos y pasemos
cada anillo por uno de los clavos. Al dejarla suelta, la varilla alcanzar una posicin de
equilibrio. En la posicin de equilibrio la energa total del sistema es mnima.

Figura 4.3 Artefacto analgico que permite hallar la recta que ms se ajusta a una nube
de puntos.

Pues bien, la estadstica ha resuelto este problema de un modo ms elegante,

definiendo el criterio de ajuste basado en la minimizacin de la suma de las
desviaciones, elevadas al cuadrado, de todos los valores experimentales con respecto
a los valores tericos predichos por la recta. El fundamento de este criterio aparece
en la mayora de los textos de estadstica.

Este mtodo se aplica por numerosos

softwares que incluyen herramientas de anlisis estadstico.

La funcin exponencial y el desborde de la

imaginacin

EL CRECIMIENTO EXPONENCIAL
Imaginemos un tipo de clula que se reproduce por biparticin cada 20

minutos.

Al

comienzo tenemos slo una, a los 20 minutos tenemos dos, 20 minutos despus,
2

nuevamente el doble, 2 , y as sucesivamente.

El clculo del nmero de clulas N a

un tiempo t estar dado por considerar que en el evento de replicacin n el nmero

N de
n

clulas ser 2 .
minutos

Como n puede calcularse como el nmero de veces que caben 20

(perodo de duplicacin) en el tiempo, se cumple que

N
-12

10

2 t / 20 . Si la masa de una clula es

gramos, podremos ver que a las 44 horas, equivalentes a unas 132 divisiones, la

masa de las clulas ya sera equivalente a la masa de la Tierra. Afortunadamente, las

clulas deben disminuir su ritmo de crecimiento debido a las variaciones adversas del
medio en que se encuentran. Con el tiempo ocurre que los nutrientes se agotan y la
cantidad de desechos txicos aumenta.
Hasta ahora se ha calculado el nmero de individuos respecto del tiempo.
Pero, dado que el nmero de individuos incrementa permanentemente, tambin cambiar
su velocidad de aparicin v, definida como el cambio del nmero de individuos por
unidad de tiempo, para un instante dado (En torno a un instante determinado, la velocidad
asociada a una variable se calcula dividiendo el cambio de la variable, correspondiente
a un tiempo transcurrido infinitesimal, por la magnitud del tiempo transcurrido). El
modelo ms simple nos dice que la duplicacin de los progenitores duplica la velocidad de
aparicin de
los mismos, lo que se modela de la siguiente
forma:
v

kN ,

con k una constante de proporcionalidad denominada tasa de crecimiento poblacional

relativo. Esta constante puede interpretarse como la contribucin de cada individuo a
la velocidad de crecimiento poblacional. Posee cierta relacin con la potencia biolgica

de expansin de la especie en concordancia con la bondad del medio. Emprendamos la

bsqueda de este importante parmetro:

Dado que es posible hallar un exponente m y una base y, tal que x n

y m,

entonces, cualquier problema de crecimiento de este tipo podr plantearse y resolverse

a travs del empleo de un sistema exponente-base que se considere conveniente.

En

trminos prcticos, supongamos nuevamente que una clula se divide, esta vez cada
td
minutos, y que comenzamos con una sola clula. El clculo del nmero de clulas N a
un
t/t
2 d . Como habamos dicho, en vez de emplear la base 2 y el
tiempo t estar dado por N
exponente t/td, puede emplearse cualquier otra base positiva con un exponente apropiado.
Veremos que la eleccin de un exponente apropiado podr, por ejemplo, ayudarnos a
determinar la velocidad de crecimiento de un cultivo celular.
Supongamos que elegimos como base a un nmero irracional denominado e.
Este nmero es muy conocido por cualquiera que tenga un curso bsico en clculo. Se
dice que es irracional porque no puede anotarse como una razn de nmeros enteros, o sea
en notacin fraccionaria. Para dejarnos de misterios con este nmero, la sucesin de sus
primeros

6 dgitos es: 2,71828

Sin embargo, hay una forma de hallar una

expresin cada vez ms exacta de e. Para ello, hay que considerar que e tambin puede
anotarse por
la serie infinita:
e 1
2

2 3

1
2 3 4

... ,

2 3 4 5

esperando que haya podido intuir la regla de progresin de sus trminos (cuya notacin ms
compacta y elegante es e
n

xn
). Mientras ms trminos se consideren en dicha serie,
1 n!

ms aproximados ser su clculo parcial hacia el valor verdadero de e.

Hay algo ms respecto de la obtencin de e. ste tambin puede obtenerse como
el lmite de la siguiente expresin
1
1
n
cuando n tiende a infinito.

Si decidimos emplear el nmero e como base, cmo deber ser su exponente (que
llamaremos m) para permitirnos calcular el mismo nmero de clulas al tiempo t que
t/t
2 d?
otorgaba la expresin N
El planteamiento del problema matemtico es el siguiente:

e mt

t / td

El despeje, empleando la funcin logaritmo en base e (ln, logaritmo

natural),
indica que

ln 2
td

Es decir, que ya conocemos el clculo del nmero de clulas empleando la base e:

ln 2
td

Solidarizo con todo aqul que se haya sentido incmodo desde cuando
decidimos emprender el estudio del clculo del nmero de clulas empleando la
base

e,

tan complicada. Sin embargo, el motivo siguiente es suficiente como para

justificarla:
Empleando la expresin para N que usa la base e, se puede demostrar que la
velocidad de cambio del nmero de individuos (v = kN) es igual a:

ln 2
N
td

(si usted sabe algo de derivadas, lo podra demostrar fcilmente)

Considerando esto con la primera expresin que se anot para v, se deduce, por
ln 2 / es igual al parmetro k, la tasa de crecimiento
comparacin simple, que t
d

poblacional relativo. Esta igualdad, junto con la expresin para N que emplea la base
e, quiere decir que, dado que se tiene en un comienzo una clula que se multiplica con
una tasa de crecimiento relativo k, al tiempo t habrn N = e

kt

de estas clulas. Esta

igualdad entre el factor que multiplica al tiempo y el factor que multiplica a la poblacin
celular en las ecuaciones para N y v, respectivamente, no se habra cumplido en otra base
distinta de e.

LA DIVISIN CONSECUTIVA
As como pudimos asombrarnos con el crecimiento astronmico de un sistema que
sigue una ley exponencial, tambin podemos asombrarnos con el decrecimiento de un
sistema que sigue una ley del mismo tipo.

Por ejemplo, se puede aprovechar el

resultado del clculo del crecimiento bacteriano para comprender que, si se dividiese la
Tierra sucesivamente, con la divisin simultnea de cada una de sus partes, en la divisin
nmero
132 se obtendra el volumen de la bacteria.

No menos que lo anterior, tambin

impresiona saber que hacen falta slo 80 divisiones sucesivas de una hoja de papel para
llegar a obtener la dimensin de uno de los tomos que la conforman.

EL DECAIMIENTO EXPONENCIAL
El decaimiento tambin puede ser modelado a travs de una funcin exponencial. El caso
ms socorrido en un curso de qumica es el ejemplo del decaimiento radiactivo:
suponiendo que un elemento radiactivo se desintegra espontneamente en proporcin a su
masa m, entonces, la velocidad de desintegracin (nmero de eventos de desintegracin
por unidad de tiempo) est dada por:

rm ,

con r una constante que representa la tasa de decaimiento relativo. Tal como para el
caso anterior, puede demostrarse que, para satisfacer la ecuacin de la velocidad, la
dependencia
temporal de m debe ser

m m0e

rt

con m0 la masa del compuesto radiactivo al tiempo cero.

Adems, se puede demostrar que el tiempo en el que se obtiene la mitad de la
masa inicial, denominado vida media (t1/2), se relaciona con el recproco de r segn:

ln 2
r

t1 / 2

Para el caso del crecimiento exponencial, el perodo de duplicacin td se obtuvo

de una relacin similar. Tanto en los ejemplos de crecimiento como en este ejemplo de
decrecimiento, la escala temporal de registro de los cambios dinmicos ocurre en un orden
de magnitud que puede estimarse con el valor recproco de las tasas relativas (1/k y 1/r), lo
que por supuesto que cumple con que se trata de unidades de tiempo.

SI LA EXPONENCIAL FUESE UN MARTILLO, EL CLCULO

CRECIMIENTO Y LA DIVERSIDAD SERAN UN MISMO CLAVO

DEL

Definitivamente no resulta fcil imaginar este tipo de crecimiento exponencial.

Para

otorgar una idea de cmo puede desbordar prontamente el tamao de un sistema que
crezca de esta forma, recordar (completndola con mi imaginacin) la historia del rey que
quiso premiar al sabio inventor del ajedrez. El rey le dijo al sabio: pdeme lo que
quieras y te prometo que te lo conceder. A lo que el sabio respondi: Quiero que en
un primer cuadrado de un tablero de ajedrez me coloques un grano de trigo.

En el

cuadrado siguiente quiero el doble del anterior y en cada cuadrado siguiente quiero el
doble del cuadrado anterior.

El rey ri pensando en que se trataba de una broma.

Ante la insistencia del sabio, comenz a intentar cumplir su promesa, pero no tard en
darse cuenta de que era
imposible satisfacerlo. Tan slo el ltimo cuadrado, la casilla nmero 32, debera tener
31
2
granos de trigo.

Considerando que la masa promedio de un grano de trigo es

0,0648 gramos, el trigo determinado para la ltima casilla debiese pesar 139 toneladas.
No hace falta decir cmo termina la historia (slo digamos que el rey tena muy mal
genio). Pero indaguemos un poco ms en la mente del sabio.

Lo que viene a continuacin es de mi absoluta invencin, pero siempre he

credo que ha sido as.

En realidad, antes de realizar su peticin,

el sabio pens:

Supongamos que le pido al rey que me haga collares con perlas blancas y negras
enhebradas con hilos de oro. Todos los collares posibles, empleando 31 perlas en cada
uno. Para la eleccin del primer color de la perla el rey tendr dos posibilidades, as es
que necesitar dos hilos para comenzar, uno por cada posibilidad. Para elegir el color
de la segunda perla, tendr dos posibilidades ms por cada hilo, por lo que ya se ve que
necesitar el doble de hilos para cumplir con la variacin implicada por todas las
sucesiones posibles de collares de dos perlas. Para collares de tres perlas necesitar el
doble de hilos que para collares de dos perlas, puesto que tendr el doble de elecciones
posibles cuando considere la eleccin de la
31

tercera perla. Pronto me doy cuenta que para 31 perlas, existirn 2

Si

collares posibles.

cada hilo de un collar midiera 50 cm, el largo total de todo el hilo de oro empleado
equivaldra a unas 26,8 vueltas alrededor del mundo Como el sabio se habra dado cuenta
que eso implicaba varias generaciones del reino enhebrando sus collares, prefiri pedirle
el asunto de los granitos de trigo.
No es por casualidad que he hecho coincidir el nmero de collares con el nmero de
granos de trigo de la ltima casilla. En ambos casos hemos realizado el mismo clculo.
En el caso del tablero de ajedrez, slo tombamos en cuenta el crecimiento del sistema.
En el caso del collar, considerbamos que al agregar cada perla tombamos una decisin
binaria (blanca o negra). Esta decisin podra estar en correspondencia con un cdigo
inventado por el sabio. En su forma ms rudimentaria, sin sintaxis ni semntica, cada
collar podra representar un estado de nimo o un pensamiento, todos diferentes. De este
modo, cuando
31

le regalara uno de los 2

mujeres

31

collares a cada una de sus 2

mujeres (es que las

preferiran a los hombres inteligentes), ellas podran decodificar el mensaje que el sabio
les comunic con la sucesin de cada una de las cuentas.
Pero a qu hemos llegado! Ahora resulta que el crecimiento de las clulas, de los
granos de trigo y de la cantidad posible de collares est en correspondencia con la teora
de la informacin!! Y si en vez de perlas de dos colores distintos ussemos perlas de 4
colores, tal como el DNA lo hace con sus secuencias de cuatro nucletidos diferentes? DNA...?, Qu es eso?, dira el sabio. No importa, pero ya sabemos que podramos

codificar 4 molculas distintas si empleamos n nucletidos (perlas) elegidos de un

total

de cuatro tipos (colores) de ellos. El sabio, quien a esta altura ya se siente herido por
m en su dignidad, por haberle ledo sus pensamientos y por haberle hablado de algo de
ese tal DNA que desconoce, parece que se ha olvidado de que es slo un personaje, ms
n

encima ajusticiado, e insiste con sus perlas dicindome: - Tus 4 molculas no son sino
2n

equivalentes en nmero a 2

de mis collares, construidos slo con perlas blancas y

negras.
Puedo hacer la misma cantidad de collares que t de molculas, aunque reconozco que mis
collares deben ser el doble de largo (2n) que esos que t llamas DNA.
No deja de tener razn, y la cantidad de informacin que yo podra enviar a sus
mujeres con mis collares de cuatro perlas diferentes, de la mitad del largo de los de l,
sera la misma que l podra enviarles con los suyos. Aunque claro est, la sola idea
me
fatiga.
A modo de resumen y generalizacin de nuestro anlisis, podemos decir que habr
una misma respuesta para dos preguntas distintas, aunque relacionadas:
Ante la pregunta Cuntos individuos tengo en el evento de replicacin n si parto
de uno slo, tal que cualquier individuo se multiplicar siempre a s mismo para
n

generar x individuos?, la respuesta genrica es: x .

Ante la pregunta Cuntos mensajes diferentes de n letras pueden formarse con x
n

letras distintas?, la respuesta genrica tambin es x .

El tipo de crecimiento al que hemos aludido aqu corresponde al crecimiento
geomtrico.

Empleado tanto para la determinacin del crecimiento de algunos

sistemas materiales as como para el estudio del crecimiento del nmero de estados
distintos de un sistema. La inclusin del crecimiento geomtrico, de esta estructura lgica
comn, en modelos de crecimiento poblacionales y en los clculos de combinatorias,
asociados a la capacidad de codificacin de informacin, constituye un ejemplo ms de
integracin.

La integracin a travs del empleo de un mismo

modelo para distintos sistemas: cuando la epidemia es
un chiste

En la esquina de una calle cualquiera, dos personas sostienen una conversacin. Una
de ellas se re a carcajadas.

Resulta que la otra le ha contado un chiste.

Si

observsemos desde lejos, desde muy alto, teniendo una vista poderosa, veramos que en
otras esquinas del mundo hay miles de parejas conversando, algunas de las cules podran
rerse porque se han contado el mismo chiste. No todas las parejas que se juntan lo hacen
en una esquina ni se cuentan chistes, as como tampoco los chistes se cuentan slo en las
esquinas.

Si quisiramos modelar matemticamente este fenmeno deberamos ser

capaces de ignorar los detalles irrelevantes (como el color de los zapatos) pensando en
aquellos detalles que son determinantes para la evolucin del sistema (como el estado de
nimo).

Aquellos detalles relevantes lo son para cada uno de los elementos integrantes

del sistema cada vez que se manifiesta un fenmeno, pero pueden diferir en cada
elemento. Es significativo que el sistema posea un tamao astronmico, porque slo as
las variaciones de los detalles relevantes pueden ser descritas y tratadas de un modo ms
simple, a travs de la estadstica y la probabilidad.

Tampoco nos interesaran detalles

que aumenten innecesariamente la complejidad del anlisis, como las transferencias del
chiste en grupos de ms de dos individuos. O sea que cuando construimos un modelo
prescindimos de detalles que no nos interesan porque influirn poco en nuestras
conclusiones o malograrn la simplicidad del anlisis. As es que gran parte de lo que
determina el establecimiento de un modelo es nuestro buen gusto para considerar una
solucin lo suficientemente simple o esttica, compatible con nuestras expectativas de
obtener resultados lo suficientemente explicativos o predictivos.
Construyendo un modelo bsico, con estas caractersticas, supongamos que un
elemento de la clase I (conocedora del chiste) interacta con un elemento de la clase
S (ignorante del chiste) y ste evoluciona a un elemento de la clase I. El esquema es
el
siguiente:
I

2I .

La solucin del problema anterior, que determinara una teora de propagacin del
chiste, trivialmente sera igual a una teora de propagacin del rumor. Solo basta
cambiar un chiste por un chisme y el resto de la estructura y las reglas del sistema se
mantienen similares. Otras similitudes con otros problemas podran parecernos menos
obvias o ms extraas, slo por sustituir algunos elementos por otros de naturaleza mucho
ms diferente, y, sin embargo, podran calzar perfectamente con la estructura lgica del
modelo propuesto.
As, supongamos que la I del ejemplo anterior representa a un individuo que porta
una enfermedad contagiosa, aunque no letal, en vez de un individuo conocedor de
un chiste.

Esta enfermedad llegara para quedarse en el individuo, es decir, l no

poseera la capacidad de mejorarse, del mismo modo que quien saba un chiste no debera
olvidarse de l. La letra S representara a una clase de individuos sanos, pero susceptibles
de enfermarse a travs del contacto directo con los individuos enfermos, aunque slo con
una cierta probabilidad. En este caso el encuentro ha sido sustituido por una interaccin
de contacto, en vez de una interaccin comunicacional. Lo similar, en ambos casos, es que
el encuentro entre I y S ocasiona a dos individuos de la categora I. En cualquiera de
estos casos, se puede apreciar que el rasgo comn es que hay elementos pertenecientes
a alguna clase y que cuando dos elementos de distinta categora interactan pueden
evolucionar generando elementos de una misma clase.
Esta misma estructura lgica, coincidente con las relaciones internas entre
elementos de clases, interaccin y evolucin observados, se puede hallar en
el proceso de una reaccin qumica elemental del siguiente tipo: una molcula I colisiona
con una molcula S, resultando dos molculas I.
La cantidad de colisiones por unidad de tiempo es anloga a la cantidad de
encuentros por unidad de tiempo entre dos personas, ya sea para contagiarse
una enfermedad letal o para contarse un chiste. No todas las colisiones son eficaces en el
cometido de la realizacin de la reaccin qumica.

La eficacia de las colisiones es

anloga a la fraccin de veces que encuentros sociales fructificaron en el traspaso del

germen o del chiste. En todos estos casos se trata de la eficacia de un encuentro. En el
caso del traspaso de un germen, la eficacia del encuentro depende del estado de salud del
receptor, de la intensidad del encuentro y del potencial infeccioso del portador.
velocidad de aparicin

La

de individuos enfermos, as como la velocidad de aparicin de individuos conocedores del

chiste, es anloga a la velocidad de formacin de producto en una reaccin qumica.
En todos los casos vistos, se cumple una ley de conservacin.

En los ejemplos

sociales, la cantidad total de individuos debe permanecer constante, tal como en un

sistema qumico reactivo, donde la cantidad de reactante ms producto debe permanece
constante cuando una molcula de reactante se transforma en una molcula de producto.
Aceptando que hay distintos sistemas cuyos elementos y sus transiciones se
rigen por reglas similares, se puede entender que el conocimiento del tratamiento
matemtico de cualquiera de ellos aportar una poderosa herramienta de integracin. Para
mostrar lo anterior, a continuacin se desarrolla un modelo matemtico para un
sistema qumico simple.

EL CURSO DE UNA REACCIN QUMICA

Para la realizacin de una reaccin qumica que ocurre en un paso elemental, los
reactantes deben colisionar.

En el momento de la colisin, los reactantes tienen una

orientacin relativa que puede permitirles o no el cumplimiento de la reaccin.

Esta

orientacin es fruto del azar y las colisiones no siempre pueden facilitar la ruptura
y la formacin apropiada de los enlaces si los orbitales moleculares no se confrontan
apropiadamente.
En un instante determinado (t), la cantidad de molculas de I en una unidad de
volumen (xt) manifiesta una variacin respecto del tiempo, denominada velocidad ( x t ,
la derivada temporal de xt), la que depende de dos factores:
- La cantidad de colisiones:
En una primera aproximacin, la cantidad de colisiones (ct, en el instante t) entre I y S en
una unidad de tiempo y en una unidad de volumen, es proporcional a la concentracin
de
ambas especies moleculares (con st denotando la concentracin de S en el instante
t):
ct

a x t st

El valor del parmetro a es el nmero de colisiones que se obtendran en una unidad de

tiempo y de volumen si los reactantes tuviesen cada uno una unidad de concentracin.
Este parmetro depender crecientemente de la temperatura, la que no es ms que una
medida de la agitacin molecular.
- La eficacia de las colisiones para formar productos:
La probabilidad p de que cada encuentro entre I y S sea productivo, rindiendo dos
molculas I, depende de muchos factores. Entre ellos, est la forma de las molculas y su
orientacin espacial relativa al momento de colisionar, as como la facilidad del
rompimiento y la formacin de los enlaces necesarios.

Esta probabilidad es igual a

la
fraccin de colisiones productivas por la que debe multiplicarse ct para x t :
obtener

xt

pct

pa x t st .

Definiendo k como pa , se obtiene:

xt

k xt st .

El parmetro k es una tasa que se interpreta como la cantidad de colisiones productivas, en

una unidad de tiempo, cuando se emplea una unidad de concentracin para cada uno de los
elementos susceptibles de colisionar.
Las cantidades xt y st no varan libremente, sino que se encuentran ligadas. Es decir,
estn sometidas a una restriccin.
materia:
xt

st

Debe cumplirse una ley de conservacin de la

x0

en donde

los

subndices

cero

s0 ,

representan

las cantidades

iniciales de

las

especies correspondientes.
De esta ecuacin, es posible escribir st en funcin de xt, reemplazando su valor en la
ecuacin anterior que determinaba x t :

xt

k xt x 0

s0

xt .

Resolver esta ecuacin diferencial (denominada as porque involucra el cambio de una

variable, en este caso con respecto al tiempo) supone hallar una funcin del tiempo
que permita obtener el valor de xt, satisfaciendo las condiciones iniciales del problema.
Cuando
se hacen los clculos necesarios, la solucin del problema est dado
por:

x0

s0 e

xt

x 0 x0

s0
x0

s0 kt

Puede verificarse que para t = 0 se satisface la condicin inicial xt = x0 y, haciendo algo

ms de clculos, se puede verificar que se satisface la ecuacin diferencial original. Para
ello, en dicha ecuacin diferencial deben reemplazarse la expresin obtenida
recientemente para xt y su derivada con respecto al tiempo (velocidad), verificndose el
cumplimiento de la igualdad.
Es interesante constatar, adems, que si el tiempo tiende hasta el infinito, el valor
de xt converge al valor x0 + s0. Esto es, todas las molculas iniciales, de cualquier clase, I
o S, terminarn siendo de la clase I.

INTEGRACIN A TRAVS DE UNA SOLUCIN COMPARTIDA

La integracin de las ciencias no siempre ocurre por la suma de conocimientos y
tcnicas de origen diverso, como podra sugerir la palabra misma que se asocia a
adicin, sino que puede obtenerse de la aplicacin de un mismo modelo en distintas
disciplinas. Esto porque una misma arquitectura lgica para distintas realidades
relaciona a dichas realidades. Como parte de la definicin de integracin empleada en
este texto, deben considerarse tanto el acto de sumar como el de relacionar. Ambos
suponen la consideracin simultnea de aspectos provenientes de distintas disciplinas o
comunes a las mismas para el logro del conocimiento en biologa, que es la disciplina
integrada que nos interesa.

En el caso que se analiza aqu, la estructura comn que comparten los modelos
mencionados permite aplicar la misma solucin hallada para el caso qumico al resto de
los modelos. Esto porque modelos similares obligan a planteamientos matemticos iguales
que otorgan soluciones iguales y que deben interpretarse de formas diferentes.

Una

interpretacin de una solucin requiere que para cada modelo se asigne un significado a
los parmetros y a las variables. Al respecto, vea la siguiente tabla:

Comparacin de tres modelos anlogos

Transformacin
qumica
Clase I

Una especie molecular

determinada.

Clase S

Molcula que puede

colisionar
con
I,
transformndose en I al
reaccionar
qumicamente.
Concentracin de I en el
instante t.

xt

xt
st
a
p

k = ap
Esquema del
modelo
Velocidad de
cambio de xt.
Valor inicial.
Ley de
conservacin.
Solucin.

MODELO
Transmisin de un
comunicado

Transmisin de una
enfermedad

Individuo conocedor de un
comunicado (chiste o
rumor)
Individuo que puede
conversar
I
transformndose en I al
enterarse del comunicado.

Individuo enfermo a causa

de un virus.
Individuo que puede tener
contacto directo con I
transformndose en I
debido a un contagio.

Densidad de poblacin de
Densidad de poblacin de
individuos de la clase I, en individuos de la clase I,
el instante t.
en el instante t.
Cambio de xt con respecto al tiempo (velocidad o derivada temporal), en el instante
t.
Concentracin de S en el Densidad de poblacin de
Densidad de poblacin de
instante t.
individuos de la clase S, en individuos de la clase S,
el instante t.
en el instante t.
Tasa de colisiones entre Tasa de conversaciones
Tasa de contactos directos
los reaccionantes.
entre los individuos.
entre los individuos.
Probabilidad de
Probabilidad de
Probabilidad de contagio
reaccionar a travs de la transmisin
del a travs del contacto
colisin.
comunicado a travs de la directo.
conversacin
Tasa de reaccin
Tasa de transmisin del
Tasa de contagio.
qumica.
comunicado.

S
xt

xt

xt

xt

k xt s t

x0 , s t
st

s 0e

s0

x0

x0 x 0
x0

2I

s0 ,

s0
x0

s0 k t

Tal como podemos esperar que los modelos qumicos cinticos sean ms
complejos que el tratado aqu, tambin podemos esperar que haya modelos
epidemiolgicos anlogos ms complejos. La complejidad de un sistema qumico puede
deberse a un mayor nmero de especies moleculares, a ms reacciones qumicas en pasos
elementales y a la presencia de algunos flujos de entrada y salida de materia, por lo que
no habra cumplimiento de la ley de conservacin.

La complejidad de un sistema

epidemiolgico puede deberse a la creacin de distintas clases de individuos en un sistema

epidemiolgico, tales como individuos inmunes, individuos susceptibles de enfermarse e
individuos contagiosos, as como a la existencia de flujos, no tomados en cuenta aqu, que
son propios de la dinmica vital de la poblacin, como la tasa de natalidad, mortalidad
o migraciones, de modo que tampoco se cumpla una ley de conservacin. En cualquier
caso, para abarcar los modelos complejos, podrn hacerse las modificaciones
matemticas necesarias a los modelos ms simples, tal como lo hacen los qumicos con
sus sistemas de reacciones.

De este modo, podramos esperar tratar matemticamente

muchas epidemias como si se trataran de un problema de cintica qumica.

EPIDEMIOLOGA MATEMTICA
La epidemiologa matemtica es el estudio de los grupos de poblacin que se influyen
mutuamente a travs de la propagacin de alguna enfermedad.

Sus mtodos de

estudios son vlidos para la ecologa matemtica, donde las relaciones de influencia entre
poblaciones tambin son determinantes. La importancia de los estudios matemticos de
los problemas epidemiolgicos es que permiten predecir estados, evaluar riesgos,
determinar polticas de salud pblica, y todo con el auxilio de papel, lpiz y un
computador.

Podemos afirmar que es una forma racional de contribuir a tomar una

decisin de salud pblica o a solucionar un problema epidemiolgico.

Supongamos una poblacin de individuos sanos susceptibles (S) que se extiende
homogneamente en un rea fija definida, coexistiendo con una poblacin de
individuos infectados (I), tambin distribuidos homogneamente. Supondremos que el
contagio de los individuos S por los individuos I genera individuos I. Lo que ocurra a
continuacin con los individuos I es motivo de distintos modelos infecciosos.

Modelo SI (Modelo Susceptible-Infectado)

En la seccin anterior, este modelo ya ha sido comentado y su dinmica ha sido
resuelta completamente.

El individuo infectado no pierde su condicin de infectado.

Esto puede ser aproximadamente cierto para perodos de observacin de la epidemia muy
inferiores al
perodo de permanencia de la enfermedad:
I

2I

Modelo SIR (Modelo Susceptible-Infectado-Resistente)

En este modelo el individuo infectado puede pasar a un estado de recuperado resistente
o inmune (R). Aqu suponemos que la inmunidad no se pierde:

2I

Modelo SIRS (Modelo Susceptible-Infectado-Resistente-Susceptible)

Este modelo es similar al anterior, pero suponemos que hay una prdida de la inmunidad
a travs de una tasa m:
I

2I
R
S

Modelo SIS (Modelo Susceptible-Infectado-Susceptible)

En este modelo, el individuo puede infectarse con una tasa k y recuperarse con una tasa m:

2I

ESTUDIO DEL MODELO SIS

Anteriormente ya se estudi el modelo ms simple (SI) a travs del clculo puramente
analtico de un sistema qumico anlogo.

No siempre es posible

realizar clculos

analticos exactos cuando se estudian las propiedades de un modelo. Muchas veces se

deben realizar clculos aproximados, donde se ha debido suponer un valor determinado
para cada uno de los parmetros del modelo. Como un ejemplo de cmo se estudian estos
modelos a travs de clculos numricos, realizados como parte de una simulacin
computacional de una epidemia, a continuacin se presenta el estudio del modelo SIS.
Planteamiento matemtico del modelo SIS
En el modelo SIS, la velocidad de aparicin de infectados puede modelarse como se
hace
con una ecuacin qumica, suponiendo que la velocidad de produccin de x t , se
I,
determina por:
xt

k x t st

mxt

El primer trmino ya se ha discutido con anterioridad y el segundo trmino se debe a que

el desaparecimiento de los individuos infectados es directamente proporcional a la
poblacin de los mismos. La dependencia de esta ecuacin respecto de st es slo aparente,
puesto que
esta variable puede ser despejada en funcin de xt a partir de la ecuacin de
conservacin:
xt

st

x0

s0 .

Por lo que la ecuacin para x puede anotarse:

t

x t k xt x 0

s0

xt

mxt .

La importancia de las expresiones para la velocidad de cambio de una variable es que

nos permiten calcular la evolucin de la misma variable.

Determinacin de la dinmica del modelo SIS

El comportamiento dinmico de la variable xt queda especificado con una sucesin del tipo:
x t , xt

, xt

2 t

, xt

3 t

, ...

Para establecer con mayor exactitud el comportamiento dinmico, los intervalos de

tiempo
t debiesen ser cada vez ms pequeos, permitiendo conocer lo que ocurre en instantes
sucesivos muy breves. El incremento entre dos variables sucesivas, y xt
xt

, definido por

xt , puede calcularse aproximadamente ( ) segn:

xt

xt t.

Esta aproximacin es tanto ms vlida cuanto menor es el incremento de tiempo.

Lo anterior es anlogo a la expresin que nos dice que el desplazamiento entre
dos puntos es igual al tiempo que tom el movimiento multiplicado por la velocidad,
cuando la velocidad es constante. Como, en general, la velocidad vara en un intervalo,
esta suposicin de velocidad constante es ms vlida para intervalos de tiempo
menores, de
modo que la aproximacin que permite calcular la distancia tambin ser ms vlida para
x , si tuvisemos que
intervalos de tiempo menores. Empleando lo que sabemos de t
formalizar matemticamente la sentencia: Donde me encontrar despus es donde
me encuentro ahora ms lo que me desplazar, deberamos anotar:

xt

xt

xt t,

recordando que esto es vlido para incrementos de tiempo lo ms pequeos posible. Todo
x,x
,x
,x
, ... ,
lo que necesitamos para conocer la dinmica, o sea la t t t t 2 t t 3 t
secuencia
es conocer la ley de cambio x y un punto de partida (x0). As podremos calcular cada uno
t

de los trminos de la serie a partir del trmino inmediatamente precedente. Slo hay que

hacer clculos y ms clculos a intervalos de tiempo lo suficientemente pequeos, para

obtener una sucesin lo suficientemente completa.
El diagrama de flujo de un algoritmo apropiado para calcular la dinmica es el
siguiente:

Figura 6.1
El clculo, es realizable con cualquier software para clculo, e incluso slo con la
ayuda de una calculadora, si se tiene la paciencia. Al disminuir el incremento de tiempo
t, disminuye el error de la aproximacin numrica. En la prctica, cuando ya no varan
los resultados de

la

dinmica

al disminuir

t,

se

ha alcanzado

el tamao

suficientemente pequeo del intervalo.

Esta forma de calcular la evolucin de un sistema es una herramienta poderosa que
debe considerarse como una de las mximas manifestaciones de la integracin de las
ciencias.

Aqu hemos esquematizado el clculo numrico de la dinmica de una

poblacin de individuos infectados xt, pero tambin puede calcularse de forma semejante
la evolucin

de la posicin de un planeta, con la velocidad determinada por la ley de gravitacin

universal y las leyes del movimiento de Newton. Y eso es lo que otros ya han hecho.
Simulacin dinmica del modelo SIS
A continuacin, veremos cmo es posible estudiar una epidemia a travs del clculo
computacional.

La simulacin del modelo SIS permitir estudiar, al mismo tiempo, el

modelo SI, puesto que ste es un caso particular del primero.

Supongamos una poblacin total de 15 millones de individuos en donde 10 mil de
ellos estn infectados con un germen que sigue el modelo epidemiolgico de tipo SIS. La
tasa de infeccin y la tasa de recuperacin se definen para cada caso.
condicin

t = 0,1 das. La

inicial del modelo es: s0 = 15 millones 10 mil = 14.990.000 personas

susceptibles y x0 = 10.000 personas infectadas.

Los siguientes son los resultados de algunas simulaciones:

16000
14000
12000
10000
8000
6000
4000
2000
0

Miles de Infectados

Propagacin de una epidemia con modelo SIS

50

100

150

200

250

Das

Figura 6.2. La curva superior corresponde a m = 0 (no hay recuperacin), es decir, un

caso del modelo SIS que coincide con el modelo SI. La curva inferior corresponde a m =
0,003. Puede verse que la existencia de una tasa de recuperacin supone una propagacin
ms lenta. Cuando m aumente demasiado, la epidemia se extinguir en lugar de
propagarse. Es lo que ocurre, por ejemplo, para m = 0,01 (no se muestra). En todos los
clculos se us s0 = 14.990.000 personas susceptibles (sanas iniciales), x0 = 10.000

-9

personas infectadas (enfermas iniciales), una tasa de contagio k = 5 10 /(personada) y

Dt = 0,1 das.

16000
14000
12000
10000
8000
6000
4000
2000
0

Miles de Infectados

Propagacin de una epidemia con modelo SI

50

100

150

200

250

Das
-8

Figura 6.3. La curva superior corresponde a k = 10 /(personada) y la curva inferior

-8

corresponde a k = 0,5 10 /(personada). Como se ve, el tiempo de propagacin aumenta

cuando k disminuye. En todos los clculos se us s0 = 14.990.000 personas susceptibles
(sanas iniciales), x0 = 10.000 personas infectadas (enfermas iniciales) y Dt = 0,1 das.

Lo importante es que estas simulaciones demuestran que habr casos en que ser
posible predecir el avance de una epidemia, dependiendo de la eleccin de parmetros. La
modificacin de parmetros y la modificacin de las ecuaciones por adecuaciones del
modelo, podrn representar objetivamente las polticas de salud pblica, tales como
realizacin de campaas de educacin de la poblacin o de vacunacin masiva.

Si

hemos comprobado que disminuir la tasa de contagio (k) puede retardar la propagacin de
una epidemia, como lo hara el aumento de la tasa de recuperacin (m), podremos estar en
condiciones de discriminar qu ser ms favorable: una campaa de prevencin o el
tratamiento de la poblacin contagiada. En algunos casos convendr ms una campaa
mixta.

Pero Cunto?, Qu permitir obtener una razn costo/beneficio ptima?

Esto lo determinar el modelamiento y el anlisis matemtico adecuado. En todos los

casos, el bienestar de la poblacin ser un bien intransable, pero los ajustes econmicos
permitirn compatibilizar las soluciones con los distintos problemas de salud que aquejan
a una poblacin.

En definitiva, vemos que la provocacin intelectual en la mente integrada

del terico es la misma, ya sea que se deba a la dinmica de una epidemia o a la dinmica
de un chiste. Es lo que sucede cuando se observa la realidad en la bsqueda de las
interacciones, ocultas en las estructuras. Cuando lo nico seductor de un sistema es su
esqueleto lgico, y los detalles irrelevantes merecen ser ignorados, para que aflore lo
sustancial.

Parte IV

LA INTEGRACIN A TRAVS DE PRINCIPIOS

ESTRUCTURALES Y DINMICOS

La teora de la informacin y la biologa

Muchas veces es necesario definir ms precisamente un concepto del cual slo tenemos
una idea intuitiva.

Tal es el caso del concepto de informacin que trataremos en

este captulo. A diario escuchamos la palabra informacin. Pocos podran decir que
conocen una definicin aceptable de ella, pero muchos parecen usarla con propiedad e
incluso se permiten realizar algunos juicios cuantitativos sobre si una persona est ms o
menos informada que otra o sobre cunto ms completa que otra es una informacin. Es
curioso que se tenga la capacidad de emplear efectivamente un concepto sin tener la
capacidad de definirlo muy bien. En trminos prcticos, en muchos casos el concepto
definido en forma difusa aparenta estar exento de ambigedad. As, reconoceremos que
nos informa mucho ms el peridico completo de lo que lo hara cualquiera de sus
pginas por separado. Sin embargo, no es fcil responder a la pregunta sobre qu nos
informa ms, si una meloda de Bach o un una hoja del mismo peridico.

Por lo

dems, suponiendo que una hoja de peridico se puede leer ms de una vez por una
misma persona: posee menos informacin para esa persona cada vez que ella misma lo
vuelve a leer? Estas son slo muestras de los dominios desde donde los conceptos mal
definidos tienden a huir como las cucarachas huyen de la luz. Cuando la ansiedad que
causa una pregunta brota de la incapacidad de responderla, nuestro mecanismo habitual
de proteccin es la indiferencia a la pregunta.
El avance de la ciencia est fundado en la formalizacin de los conceptos.
Hasta antes de Newton y sus contemporneos, gran parte de la fsica estaba escrita como
ensayos filosficos, con conceptos emanados de la intuicin y el sentido comn. Con el
correr de los aos, estos conceptos se formalizaron, pero nos qued la denominacin
potica de esos tiempos: cantidad de movimiento, mpetu, trabajo
matemticas permitieron el desarrollo de la fsica mecnica.

Sus definiciones

Con el tiempo, la

mecnica permiti el desarrollo de la astronoma, la revolucin industrial, los viajes

espaciales y la comprensin de fenmenos biolgicos. Lo mismo sucedi con la Teora
de la Informacin, que debi sus orgenes a la definicin de conceptos que yacan en el
inconsciente colectivo, como informacin, redundancia y desorden.

Tal como la

mecnica, la teora de la informacin permiti iluminar el camino del desarrollo

tecnolgico, esta vez de las comunicaciones,

quedando todos en deuda de gratitud con su padre fundador, Claude Shannon.

La

ubicuidad de las tecnologas de las comunicaciones no parece sorprendernos, pero

debemos aceptar que la teora que se aplica a sus procesos tambin debera aplicarse a los
procesos biolgicos,
codificacin,

que

involucran procesos de almacenamiento, transmisin,

decodificacin,

generacin

destruccin

de

informacin.

Permanentemente escuchamos alusiones a la informacin contenida en el genoma

humano.

Informacin, la misma palabra que reconocemos como ambigua en su

acepcin coloquial.

Ahora veremos cmo se construye un concepto matemtico a

partir de sus acepciones coloquiales.

O mejor dicho, aprenderemos cmo una

cucaracha deja de correr cuando alguien enciende la luz.

UN CASO DE CONSTRUCCIN DE UN CONCEPTO A PARTIR DE

EXIGENCIAS MATEMTICAS
Qu es lo que buscamos a continuacin? Satisfaccin. No ms que eso. La satisfaccin
ntima que se siente cuando un concepto est bien definido y de dicha nitidez
conceptual surgen propiedades. Propiedades que basan su validez en su esttica y en la
armona intelectual

que

generan,

permitiendo

optimizar

la

economa

del

pensamiento en la resolucin de un problema o a la hora de establecer criterios para

tomar una decisin.

Pero no queda ms que partir desde el criterio difuso, aunque

apoyndonos en la intuicin y en la opinin consensuada del profano.

Los eventos poco probables son los que ms nos informan
La informacin obtenida por el conocimiento de un evento decrece con la probabilidad
del evento.

Esta afirmacin, dicha as, sin ms, puede ser difcil de entender.

Sin

embargo, pensemos en la siguiente situacin: Nos enteramos de que hoy no ha nevado en

el desierto de Atacama.

Sin duda que no nos sentiremos muy informados.

continuacin supongamos que ha nevado en el desierto de Atacama. Si nos enteramos de

este hecho opinaremos que estamos muy informados.

Ocurre que la probabilidad (p)

de que haya nieve en el desierto es muy pequea, en tanto que la probabilidad de que no
la haya es muy alta (1-p). Entonces, coincidimos en afirmar que mientras menos probable
es un evento del cual nos enteramos mayor es la informacin que obtenemos de la noticia
de su ocurrencia.

Aproximndonos al lenguaje matemtico, podemos decir, entonces,

que:
Propiedad 1
La informacin asociada a un evento x con probabilidad px es I(px), tal que I es una
funcin que decrece conforme aumenta la probabilidad px (Habindose indicado, como es
usual, a travs de un parntesis la dependencia que tiene la funcin respecto de la variable
del dominio).
Bueno, ya sabemos algo de cmo es la informacin que pretendemos definir. Pero
hay infinitas variedades de funciones decrecientes, por lo que hemos de emplear un
segundo aspecto de consenso en torno a nuestra definicin precaria del trmino.
Las informaciones de hechos independientes son mutuamente aditivas
Suponga que lanza un dado dos veces.

Si conoce el valor obtenido de cada uno de

los lanzamientos por separado, dir que posee la misma informacin que si se hubiese
enterado simultneamente del resultado de ambos lanzamientos. Pero debemos tener en
cuenta que la probabilidad de ocurrencia de dos hechos independientes es el producto de
cada una de las probabilidades asignadas a la ocurrencia individual de cada uno de ellos.
As es que, en trminos matemticos, debemos decir que:
Propiedad 2
I es una funcin tal que:
I(pxpy) = I(px) + I(py)
A riesgo de ser aburrido y predecible, repetir el significado de la ecuacin anterior:
La informacin obtenida por enterarnos simultneamente de dos sucesos independientes
es igual a la suma de las informaciones obtenidas por enterarnos de cada uno de ellos
por separados.
Ntese la importancia de que dos eventos sean mutuamente independientes.

Si

no fuesen as, podramos pensar que parte de la informacin de uno de ellos est ya
contenida en la informacin otorgada por el otro, por lo que no podramos aceptar
el segundo

miembro de la ecuacin anterior. Por ejemplo, supongamos que nos enteramos de que
hoy es da de huelga de conductores de buses y simultneamente nos enteramos de que
hoy concurrieron menos personas a sus trabajos.

La informacin obtenida con la

segunda noticia es menor que si no hubisemos sabido que era da de paro. Podemos decir
que, ya que sabemos la primera noticia, la segunda ya es predecible en cierto grado.
Como ancdota de lo paradjico que puede ser nuestro mundo si no distinguimos entre
hechos dependientes e independientes, no puedo dejar de mencionar el caso del sujeto
miedoso que se suba siempre a un avin portando una bomba en su maleta. l deca:
dado que yo llevo mi propia bomba, es muy poco probable de que haya otra bomba en el
avin, pues la probabilidad de ocurrencia de dos bombas es menor que la probabilidad
de ocurrencia de una sola.
La aparicin de la funcin logaritmo
Eso ha sido todo lo que se deba rescatar del perfil difuso del concepto vulgar de
informacin. Nada ms que eso y ya se encienden las luces del escenario matemtico,
apareciendo, como la gran vedette, la funcin logaritmo. Pues puede demostrarse que es la
nica funcin capaz de cumplir simultneamente con las propiedades 1 y 2 anteriores!
A continuacin veremos cmo es que la funcin logaritmo puede cumplir con las
dos propiedades anteriores de la definicin que construimos, mientras usted puede
confiar en que esta funcin es la nica funcin efectiva para ello. Para la demostracin,
nada mejor que proponer la solucin correcta a nuestro problema y verificar por
inspeccin el cumplimiento de esas propiedades.
Llamando I a la funcin que otorga la cantidad de informacin asociada a un evento
con probabilidad p, I es tal que

I p

k log B p ,

con B indicando la base del logaritmo y k una constante positiva (La verdad es que,
dado que el cambio de base de un logaritmo se realiza a travs de una constante, la
eleccin de una constante k apropiada puede permitirnos expresar la funcin en cualquier
base logartmica).

Puede darse cuenta de que dicha funcin satisface las dos propiedades anteriores.
Sin embargo, no es necesaria tanta generalidad, as es que el valor de la constante se
define como 1 y la base del logaritmo se considera igual a 2. El motivo de la primera
eleccin es por pura simplicidad. El motivo de la eleccin de la base 2 es que, como
veremos ms adelante, as el clculo de la cantidad de informacin asociada a un
evento equivaldr al nmero de preguntas binarias, del tipo s o no, que requieren
contestacin para que nos hayamos informado del evento.
Finalmente, convengamos que la siguiente es la definicin de informacin asociada a
la ocurrencia de un evento con probabilidad p:

I p

log 2 p

Esto constituye la medida de informacin de Shannon.

Para completar este

cuadro coherente, slo hay que agregar que si p = 0, se define I(0) = 0. Es decir que, si un
suceso no ocurre, entonces la informacin es cero. No olvidemos que hemos comenzado
buscando una funcin que represente nuestro concepto intuitivo de informacin y hemos
hallado que esa funcin existe, en tanto que podemos disfrutar pensando que es nica!!
(No seamos
aguafiestas y olvidmonos de la constante)

Figura 7.1. Grfico de la funcin

I p

log 2 p .

INTERPRETACIN DE LA MEDIDA DE LA INFORMACIN DE SHANNON

A continuacin veremos la conveniencia de haber elegido la base 2 para el clculo de
la medida de informacin. Para ello, considrese el sistema de la parte a de la figura de
ms abajo. La figura muestra un sistema con dos estados posibles. Si inicialmente la
posicin de una bolita es desconocida y despus nos enteramos de que est, por ejemplo,
en la casilla de la izquierda, se dice, por convencin, que hemos ganado un bit de
informacin. Para localizar la bolita en una de las casillas, slo bastara la respuesta a
una pregunta del tipo s o no, lo que denominaremos una pregunta binaria. Por
ejemplo: Est en la casilla de la izquierda?. De aqu, se dice que el contenido de
informacin de un sistema con dos estados es un bit, que no es ms que una respuesta
(binaria) a una pregunta binaria.
En la parte b de la misma figura se observa una caja con cuatro estados posibles.
Necesitaramos dos preguntas para seleccionar en qu estado se encuentra. Vale decir,
en qu casilla est la bolita. La informacin, I, adquirida al conocer la localizacin del
punto ser I = 2 bits. Esto puede escribirse como el logaritmo en base 2 del nmero de
estados posibles: I = log2 4.
6

De acuerdo a la parte c de la misma figura, para una caja con 64 (2 ) estados posibles,
ser necesario contestar log264 = 6 preguntas binarias: (Est en la mitad de derecha?.
Despus: Est en la mitad inferior de la mitad donde ahora s que se encuentra?.
Despus:
Est en la mitad inferior de la mitad donde ahora s que se encuentra?,
etctera).
I

Como vemos, una caja con 2 estados posibles requerir I preguntas para
determinar su estado (en qu casilla se encuentra la bolita). Podemos ver que se cumple
la siguiente relacin logartmica entre el contenido de informacin, I, y el nmero de
estados posibles,
N:

log 2 N .

(nmero de respuestas binarias o bits)

Figura 7.2. Capacidad de informacin de un almacenamiento:

1
a) Una caja con dos estados (2 ) toma una pregunta para localizar la bolita: izquierda o
derecha?.
2
b) Una caja de cuatro estados (2 ) toma 2 preguntas para determinar su estado: izquierda
o derecha? arriba o abajo?.
6
c) Para localizar un punto en una caja con 64 estados (2 ), se requieren 6 preguntas.
I
Dado que el nmero de estados es N = 2 , se cumple siempre que el nmero de respuestas
binarias necesarias para seleccionar el estado es: I log 2 N . (Cada divisin consecutiva,
indicada con un trazo rojo sobre la cuadrcula, da origen a una nueva pregunta de
respuesta binaria)

Lo que debemos tomar en cuenta es que, supuestos todos los estados

como igualmente posibles, la probabilidad de que el sistema est en alguno de los N
es 1/N.
Haciendo explcita la probabilidad en la expresin anterior,

log 2 N

log 2 1
N

log 2 p

Es decir, que esta expresin es equivalente a la definicin anterior para la cantidad

de informacin. As, la informacin obtenida al enterarnos de la ocurrencia de un evento
con probabilidad p de haber ocurrido es equivalente al nmero necesario de respuestas
binarias que debisemos conocer para conocer el evento. Este nmero de respuestas
binarias debe

entenderse como un mnimo suficiente, pues muchas veces podemos hacer preguntas de
sobra para llegar a conocer un suceso.
La respuesta a cada pregunta binaria podra codificarse como 1 (si es S) 0 (si
es No). As, la informacin que tendramos como respuesta a todas nuestras preguntas
sera una coleccin de dgitos unos o ceros, con cada uno correspondiendo a un bit. Del
mismo modo, para codificar una letra o cualquier carcter podra emplearse una cadena de
dgitos binarios. De hecho, para especificar cualquier carcter, sea espacio en blanco o
cualquier otro signo, suele emplearse un nmero binario de 8 dgitos, cuyo contenido de
informacin se dice que es un byte. 8 bits equivalen a un byte. Entonces, es posible
calcular el nmero aproximado de bytes que incluye esta pgina o el nmero de bytes
aproximados de un libro determinado conociendo el nmero de caracteres empleados.
Con el tiempo, ha sido necesario definir unidades que permitan referirnos a cantidades
cada vez mayores de informacin, como el kilobyte (mil bytes), el megabyte (un milln
de bytes) y el Gigabyte (mil millones de bytes).

APORTE DE INFORMACIN PROMEDIO DE UN SIGNO EN UN MENSAJE

Hasta aqu, hemos discutido sistemas con mltiples estados, cada uno con
igual probabilidad de ocurrencia. Para ganar generalidad, supongamos que cada estado del
sistema puede poseer una probabilidad de ocurrencia distinta a la de los otros. Esto se
interpreta, en el ejemplo de la bolita y la caja, suponiendo que cada compartimiento
podra poseer una probabilidad de contener la bolita diferente a los dems
compartimientos. Otro ejemplo es considerar que un mensaje es una sucesin de distintos
signos (como una frase compuesta por una sucesin de caracteres).

Entonces, cada

mensaje posee una probabilidad determinada de realizarse, puesto que cada signo se
selecciona segn una probabilidad que le es caracterstica. Si dividimos la probabilidad
de obtener un mensaje por la cantidad de signos empleados en l, obtendremos la
informacin promedio asociada a cada signo. A continuacin se deducir tal expresin
para el clculo de la informacin promedio.
Suponga que se obtienen dos gramos de oro por cada unidad que indiquen
los nmeros de un dado. Podra calcularse el promedio del oro ganado despus de un
nmero

grande de lanzamientos.

Incrementando cada vez ms el nmero de lanzamientos,

constataramos que el promedio deja de fluctuar, convergiendo a un valor determinado. A

este valor lmite del promedio se le ha denominado sugerentemente como la esperanza
matemtica y normalmente se le denomina, simplemente, promedio.

ste se calcula

multiplicando los gramos de oro ganados por la probabilidad correspondiente y

sumando dichos resultados, obtenindose 7 g.

El clculo que sigue acerca de la

informacin promedio por signo al interior de un mensaje, se trata de lo mismo.

promedio de informacin se calcula como la esperanza matemtica.

El

Comparado con

el ejemplo del dado, aqu a cada signo (dgito del dado) se le asocia un valor de
informacin (oro ganado) y una probabilidad de ocurrencia del signo.
En el ejemplo de la bolita, puede suponerse que la ubicacin de la bolita en cada
una de las casillas representa la eleccin de un signo diferente dentro de un mensaje.
Con pi representando la probabilidad de que se elija el signo i-simo (i = 1, 2, 3, N), el
promedio de informacin I se obtiene ponderando las informaciones asociadas a la
aparicin de un
signo por su probabilidad correspondiente (clculo de la esperanza matemtica de
I):

p1 log 2 p1

p2 log 2 p2

...

p N log 2 p N

En notacin ms compacta:
N

pi log 2

pi

i 1

Lo que se conoce como la frmula de Shannon. Ms adelante, en un anexo, se presenta

una demostracin formal de la frmula de Shannon, a partir del concepto elemental
de la medida de informacin visto al comienzo de este captulo, y que puede
contribuir a entender la interpretacin planteada aqu.
Realicemos un clculo para el lanzamiento de una moneda que se arroja de modo que
los eventos cara y sello ocurran con igual probabilidad: pC = pS = 1/2. La
informacin
log 2 12 1 bit.
I
IS
de enterarnos de que es cara (IC) o sello (IS) ser la misma: C
El promedio de informacin por cada signo o evento elemental en una secuencia de eventos

se calcula segn: I

pC I C

pS I S

1
2

1
2

1 bit. Como es lgico, cuando todos los

eventos ocurren con igual probabilidad, el promedio de informacin es igual a la

informacin calculada para cada evento.

UNA APLICACIN: MEJORANDO EL CDIGO DE UN MENSAJE

Supongamos que observamos el paso de autos sobre una autopista, encontrando que el
50% de los autos son negros, el 25% son blancos, el 12,5% son rojos y el 12,5% son
azules. Considere el flujo de autos como una fuente de informacin con cuatro
palabras: negro, blanco, rojo y azul.

Un modo simple de codificar esta fuente en

smbolos binarios podra ser asociar cada color con dos bits. Esto es:
negro = 00, blanco = 01, rojo = 10, y azul = 11; con un promedio de 2 bits por color.
De acuerdo al este cdigo, un flujo de autos definido por la secuencia: negro, negro,
rojo, azul, blanco azul, quedara definido por: 000010110111 ( negro = 00, blanco =
01, rojo = 10 y azul = 11; con un promedio de 2 bits por color).
Sin embargo, mediante el uso propio de la Teora de la Informacin,
puede construirse una mejor codificacin si se considera la frecuencia de ciertos smbolos
o palabras. La siguiente tabla relaciona la probabilidad de que aparezca cada uno de los
autos y la informacin asociada con este evento:

Auto
Negro

Frecuencia
50 %

Probabilidad p

I = -log2(p)

-1

1 bit

-2

2 bits

-3

3 bits

-3

3 bits

1/2 = 2

Blanco

25 %

1/4 = 2

Rojo

12,5 %

1/8 = 2

Azul

12,5 %

1/8 = 2

La cuarta columna sugiere la siguiente codificacin:

negro = 0

(1 bit)

blanco = 10

(2 bits)

rojo

= 110 (3 bits)

azul

= 111 (3 bits)

Cmo es que esto codifica mejor? Con este cdigo el nmero promedio de bits por
auto ser menor, de acuerdo a la teora de Shannon, puesto que hemos considerado
la menor cantidad de bits posibles para representar cada auto. Recordando la expresin
para
el clculo de la cantidad promedio de informacin:

p1 log 2 p1

p2 log 2 p2

...

p N log 2 p N ,

y aplicndola a nuestro problema, considerando los datos de la tabla:

log 2

1
log2 2
4

1
log2 2
8

1
log2 2
8

1,75 bits por auto.

Esto es menor que cuando se emple la otra codificacin, y Shannon asegura que no
habr ningn otro esquema de codificacin mejor que el anterior!!

Imagnense la

importancia que esto tiene para la transmisin de datos, donde se pretende cada vez
ms reducir el tamao de los cdigos.
Empleando nuestro cdigo eficiente, si vemos tres autos negros, seguidos por un
auto blanco, un auto rojo y un azul, la secuencia ser codificada, empleando la
convencin reciente, como 00010110111.

De modo inverso, dado un nmero binario

apropiado, nosotros conoceremos la secuencia de autos. As podramos determinar que la

secuencia de dgitos binarios 110110101110100, representa la secuencia de autos dada
por: rojo, rojo, blanco, azul, negro, blanco, negro.

Como no todos los autos se representan por la misma cantidad de dgitos, fjese
que los nmeros binarios que componen el cdigo fueron escogidos pensando en que para
usted no haya ambigedad en la lectura de una fila de dgitos como la anterior.

EL VALOR DE UNA PREGUNTA BINARIA EN LA REDUCCIN DE LA

INCERTIDUMBRE
Como se habr dado cuenta, la cantidad de informacin no es ms que la medida de la
incertidumbre. Mientras ms bits se necesiten para describir el estado de un sistema,
mayor es nuestra incertidumbre al no saber cmo deben ser esos dgitos binarios que lo
describen. Una forma de reducir la incertidumbre es a travs de la realizacin de una
pregunta. Consideremos el caso de la realizacin de preguntas binarias y calculemos cmo
queda nuestro nivel de incertidumbre, dependiendo de la respuesta obtenida. Como la
respuesta puede ser s, con probabilidad p, o no con probabilidad 1-p, mientras no
obtengamos la respuesta a la pregunta, no podremos calcular la incertidumbre final,
pero s podremos
calcular una
continuacin:

incertidumbre

final

I media

media,

I antes

Imedia,

definida

I pregunta .

La incertidumbre final media representa el promedio de la informacin en el

sistema despus de la obtencin de una respuesta binaria acerca del mismo).
La probabilidad de que el sistema se encuentre en el estado descrito por la respuesta
afirmativa es p, por lo que la informacin asociada a este estado es log2p.

La

probabilidad de que el sistema se encuentre en el estado descrito por la respuesta negativa

es 1-p, por lo que la informacin asociada a este estado es log2(1-p). Para calcular el
promedio de la informacin que se obtiene con la respuesta a una pregunta, se debe
promediar la informacin asociada a cada respuesta posible (clculo de la esperanza
matemtica), por lo que se obtiene la siguiente expresin para el clculo de la
incertidumbre promedio asociada
a la pregunta:
I pregunta

p log 2 p

1 p log 2 1 p ,

equivalente a la informacin promedio ganada cuando se obtiene la respuesta.

Lo interesante es que esta informacin es mxima cuando la respuesta tiene
la misma probabilidad de ser afirmativa como negativa (p = 1/2). Antes de realizar el
clculo, se apelar a la fabulosa, aunque a veces traicionera, intuicin: Suponga que
alguien elige un nmero del 1 al 16, todos con la misma probabilidad de ser
seleccionados.

Dado que cada nmero posee una probabilidad de 1/16 de ser

seleccionado, se calcula directamente que la

informacin antes de la respuesta a la pregunta, asociada a este problema es:

I antes

log2

1
16

4 bit .

Supongamos que realizamos la siguiente pregunta binaria: Es el nmero 16?

La

respuesta ser s con probabilidad 1/16 y ser no con probabilidad 15/16.

La

informacin asociada
a la pregunta podr calcularse con la relacin anterior, resultando:
1
1
log2
16
16

I pregunta

15
15
log2
16
16

0,337 bits.

El clculo de la incertidumbre final media despus de la obtencin de la respuesta ser:

I media

I antes

I pregunta

0,337 3,66 bits.

Supongamos ahora que realizamos, en lugar de la pregunta anterior, la

pregunta: Es el nmero par?

En este caso, la respuesta sera s o no con

probabilidad 1/2.
Entonces, la informacin asociada a la pregunta ser:

I pregunta

1
1
log2
2
2

1
1 1 bit.
log2
2
2

El clculo de la incertidumbre final media despus de la obtencin de la respuesta ser:

I media

I antes

I pregunta

4bit 1bit

3 bits.

Entonces, las preguntas binarias que posean la misma probabilidad de obtener una
respuesta afirmativa como una respuesta negativa son aquellas que permiten la mayor
obtencin de informacin.

O sea, la mayor reduccin de incertidumbre.

Tal vez un

resultado trivial, pero que coincide perfectamente con la teora de la informacin de

Shannon.

La demostracin puede realizarse en forma analtica, a travs del clculo

del
valor mximo de Ipregunta. La grfica se muestra a continuacin.

Figura 7.3.
probables.

Promedio del aporte de informacin debido a las respuestas binarias

Esta expresin para el clculo de la informacin obtenida tras la formulacin de una

pregunta (Ipregunta) no debe confundirse con la frmula para el clculo de la
informacin promedio.

Definitivamente, no son lo mismo y es comn encontrar en

algunos textos el error de confundirlas.

De lo que hemos visto hasta aqu y de lo que podramos intuir, una representacin
binaria de cualquier objeto real o matemtico facilitara el procesamiento y el acceso a
la informacin. La realizacin de preguntas binarias, ms efectivas, sera ms sencilla.
As, por ejemplo, la averiguacin de un nmero entero entre 1 y 16 podra hacerse
ptimamente empleando preguntas binarias para averiguar cada uno de los dgitos que
codifican al nmero en cuestin en base dos.

A continuacin se expone una breve

introduccin a la numeracin binaria, empleando la base 2, y a su relacin con las

operaciones lgicas. Ms adelante, todo esto ayudar a entender cmo representar el
mundo en un modelo terico de una red neuronal. Al final, teniendo todo esto en mente,
ser mayor nuestra comprensin de la integracin entre la biologa, las ciencias de
la informacin y sus alcances tecnolgicos.

EL SENTIDO DE LA CANTIDAD DE INFORMACIN

Ya comienza a develarse cmo podra compararse la cantidad de informacin en sistemas
diferentes, como se planteaba al comienzo, cuando se hacan ver las limitaciones de la
definicin difusa del concepto informacin.

Tomando en cuenta los desarrollos

anteriores, ahora podramos comparar la cantidad de informacin de una pgina de un

peridico con una pieza musical de Bach. Primero calcularamos qu tan probable era
que un mono la tipiase al azar sobre una mquina de escribir la pgina del peridico,
despus calcularamos la informacin con la expresin que utiliza esa probabilidad.
Haramos lo mismo con el clculo de la informacin de una obra Bach, suponiendo que
el mono toca al azar sobre un rgano de tubos (suponga que este monito posee sus
patitas bien largas).

Se tratara de calcular la probabilidad de obtener la combinacin

perfecta de movimientos de dedos y pies compatible con la ejecucin de la pieza

musical. Con este ejemplo, comienza a hacerse patente que el clculo de los contenidos
de informacin parte de ciertos convencionalismos. Por ejemplo, suponer que el monito
no est adiestrado, suponer que detesta los tonos agudos o suponer que toca cada tecla
con la misma probabilidad que cualquier otra. Los clculos se realizan siempre sobre un
modelo de la realidad y, si es imposible realizar clculos muy exhaustivos, debe resolverse
la simplificacin del modelo.

Esto es particularmente crtico en los clculos de la

cantidad de informacin. Estos clculos parten

de un acuerdo de intereses sobre el modelo en estudio. Para ello debemos tener cuidado
de definir bien el sistema. Muchas veces se confunde el sistema con su soporte estructural.
Sobre la estimacin de la cantidad de informacin que hay en una hoja de este libro,
qu nos interesa? El texto que contiene o la disposicin microscpica de la celulosa
que lo conforma? Interesmonos en la cantidad de informacin contenida en el texto de la
hoja en donde escribo estas palabras. Ya sabemos cmo calcularla, pues cada carcter
equivale a 8 bits. Pero si decimos que esta hoja tiene 45.000 bits, no debemos olvidar
que esta informacin es slo en relacin con lo que nos interesa. El papel est formado
por fibras de celulosa que se entrelazan y que en cada entrelazamiento estn asumiendo un
estado que es parte de un nmero astronmico de posibilidades, mucho mayores que la
capacidad de combinacin de las letras del alfabeto.

Luego, el papel, en s,

independientemente de la informacin que nosotros pongamos sobre l, ya posee una

cantidad de informacin.

Ms an, si sobre este papel hubiese un caro habra que

considerar que tambin poseera la informacin de su genoma.

Es decir, cuando estudiamos un sistema y la informacin que obtendramos al
conocer algunos de sus posibles estados, debemos tener presente que operamos en
un marco de consenso de intereses y aproximaciones que abarcan una limitada
categora de estados.

Esto es importante cuando queremos hacer consideraciones en

torno a la informacin contenida en una clula o a la informacin contenida en el

genoma humano. Informacin: para qu?, respecto a qu?, cunta? La respuesta
a esta ltima pregunta slo tiene sentido en relacin tambin con las dems. Por eso es
que debemos tener cuidado cuando demos sentido a frases como La informacin
contenida en esta hoja es 45.000 bits. Para entender los resultados de estimacin de la
cantidad de informacin, debera siempre tenerse presente el modelo empleado en los
clculos.

EL VALOR DE LA INFORMACIN
Muchas veces un comunicado puede contener informacin repetida, conocida como
informacin redundante. Considere que una misma informacin puede fluir a travs de
una hilera de canales conectados, cada uno de ellos uniendo a un par emisor-receptor. La
informacin est permanentemente expuesta al peligro de la destruccin durante su
estado

de almacenamiento o durante el proceso de la comunicacin, como sera el caso de

las interferencias en el proceso de transmisin a travs de un canal y de los errores en la
codificacin o decodificacin del mensaje.

La redundancia

permite la tolerancia a la

destruccin de la informacin en el paso desde un nivel de recepcin al nivel de recepcin

siguiente.

Aquella informacin que no es redundante, es considerada informacin

insustituible.
Supongamos el caso del alfabeto ingls, que puede ser extendido al estudio
de alfabetos de otras lenguas: Si slo se sabe que el alfabeto ingls tiene 26 letras, la
cantidad
de informacin que le corresponde a una letra ser igual
a:
I1

log 2 1/ 26

4,7 bits.

Supongamos que en el siguiente nivel de recepcin conocemos la probabilidad de

aparicin de las letras, por lo que aplicamos la frmula de Shannon:
26

I2

p i log 2 pi

4,03 bits.

i 1

Obtendremos que I2 < I1. En este segundo nivel de recepcin, la fraccin de exceso
de informacin del comunicado es
I1
2
1

I2

0,15 .
I

Los niveles de recepcin siguientes se obtienen al considerar las combinaciones de letras

dobles, triples, etctera. Segn Shannon, para la lengua inglesa:
I1

4,76; I 2

4,03; I 3 3,32; I 4 3,10; ... I 2,1; ... I 1,9 (bits).

6

y, en cada caso, la fraccin de redundancia, respecto al primer nivel de recepcin,

estar calculado segn:

I1

Ri

Ii
I1

con los siguientes resultados:

R1

0; R2

0,15; R3 0,30; R4

0,35; ... R6 0,56; ... R9

0,60 .

En el noveno nivel de informacin el 60 % de las letras son excesivas y el 40 % restante

se considera como informacin indispensable o insustituible. En el caso del alfabeto
espaol tambin podemos determinar la insustituibilidad de la informacin, pudiendo
eliminar el contenido redundante. Al respecto, intente leer lo siguiente:
Ete captul es intesante aunqe alg comlicado.
La

determinacin

del

contenido

de

informacin

insustituible

en

un

mensaje constituye la base del principio de compactacin de la informacin.

Por ltimo, se recalca que el valor de la informacin radica en su grado de
no redundancia o insustituibilidad.

Esto determina que un buen ndice del

valor de la
informacin sea (reordenando la ecuacin anterior para
Ri)
I1
Ii

1
1

Ri

LA INFORMACIN EN LOS SISTEMAS BIOLGICOS

A continuacin se examina la informacin gentica codificada por las secuencias de los
nucletidos en el DNA y la informacin contenida en una protena.
Informacin de la molcula de DNA debida a la secuencia nucleotdica
Una hebra de DNA resulta de la combinacin de nucletidos unidos en hilera a travs de
enlaces covalentes.

Como slo hay cuatro tipos de nucletidos permitidos para su

formacin, los que podemos denominar A, T, G y C, una hebra de n nucletidos

n

puede corresponder a cualquiera de las 4 secuencias posibles distintas.

Es decir que la

probabilidad de obtener al azar una secuencia elegida desde el total de secuencias posibles
n

es 1/4 . Considerando este valor de probabilidad, la frmula de Shannon para el clculo

de
la informacin permite calcular una cantidad de informacin igual
a
1
I1

log 2

2n bits ,
4

para este nivel de informacin, denominado aqu primer nivel de recepcin.

Como la

molcula de DNA est formada por la unin a travs de las interacciones dbiles entre dos
pares de hebras complementarias, tal que A interacciona con T y G interacciona con C, el
segmento de hebra complementario no se considera en el clculo de la informacin de
la molcula de doble hebra, puesto que su secuencia se puede determinar a partir de la
secuencia de la otra hebra, por lo que su aporte a la informacin total es nulo.
Informacin contenida en una protena
Supongamos que una protena se ha codificado a partir de la misma hebra de DNA anterior
de n nucletidos.

Como tres nucletidos codifican un aminocido, el largo de la

cadena proteica correspondiente es n/3. Dado que son slo 20 los tipos de aminocidos
n/3

que contribuyen a formar una protena, pueden existir 20

cadenas proteicas de este

tipo. La probabilidad de seleccionar al azar a una protena desde este total de protenas
n/3

es 1/20 .

Aplicando la frmula de Shannon, la informacin implicada por esta probabilidad

es

I2

log 2

1
n/3
20

1,44n bits ,

para el nivel denominado segundo nivel de recepcin.

Un clculo sencillo podr

demostrarnos que, al pasar de la molcula de DNA a la molcula de protena se han

perdido
28% de los bits (R2 = 0,28). Esto quiere decir que 28% de la informacin inicial, en
la molcula de DNA no es necesaria en cuanto a la codificacin de

informacin de

la protena.
No toda la informacin del DNA codifica protenas ni toda la informacin de la
protena proviene del DNA
Se debe tener cuidado con la realizacin de los clculos anteriores, pues es muy fcil
perder la perspectiva correcta del problema.

Muchas de las afirmaciones realizadas son

slo aproximaciones. En primer lugar, no todas las secuencias de nucletidos en una

molcula de DNA codifican protenas.

Hay secuencias que no determinan ningn

aminocido, ya sea porque el RNA que codifican es procesado de una forma que no
permite su traduccin a protena o porque existen secuencias de DNA que ni siquiera son
transcritas a RNA debido a que slo son dominios de unin a ciertas biomolculas con
funcin reguladora.

En segundo lugar, no toda la informacin que posee una protena

proviene del DNA, sino que tambin hay informacin procedente del medio.

Es as

como, una misma secuencia de aminocidos en una protena puede adquirir innumerables
formas de plegamiento tridimensional, denominadas conformaciones.

La seleccin

de una de estas conformaciones, del total de conformaciones posibles, se debe a la

informacin proveniente del medio, adems de la informacin genmica. Entonces, la
protena incluye e integra informacin de diversos orgenes. Las razones por las cuales
estas conformaciones son determinadas por el medio son mltiples, entre las que se
destacan: el entorno qumico que rodea a la protena, el que depende de la naturaleza y
de la cantidad de molculas en que est embebida la protena; as como la temperatura,
que no es ms que un indicador del movimiento translacional promedio de las
molculas.

La redundancia de la informacin biolgica

Teniendo en cuenta el marco hipottico con el que hemos calculado el 28% de
informacin perdida al pasar del nivel de recepcin del DNA al nivel de recepcin de
la secuencia aminoacdica de una protena, podemos considerar que este porcentaje
representa la informacin innecesaria para la funcin proteica.

Esta informacin

innecesaria se explica muy bien por la degeneracin del cdigo gentico. sta consiste en
que, como hay
3

20 aminocidos posibles y 4
aminocidos,

codones diferentes capaces de codificar a estos

hay ms de un codn para codificar a un aminocido. El trmino degeneracin ya haba

sido empleado antes por los fsicos para indicar los casos en que distintos orbitales
atmicos podan tener un mismo nivel energtico.
Hay otra limitacin en nuestro clculo de la informacin proteica, del que a
esta altura ya debemos aceptar como un clculo extremadamente simple, casi ingenuo: La
informacin de una protena puede ser determinada en relacin a la funcin, en vez de
la estructura. Si bien la funcin est determinada por la estructura, si lo que nos interesa
es la informacin debida a la funcin, hemos de tomar en cuenta que ms de una
estructura es compatible con una misma funcin.

Tal como antes debimos considerar

que ms de un codn era compatible con un mismo aminocido.

En este caso,

nuevamente la informacin, determinada por la funcin, es menor que la informacin

calculada en el nivel de recepcin precedente, determinado por la estructura.
disminucin tambin debe ser atribuida a informacin redundante.

Esta

Por ejemplo, en

algunas protenas puede haber aminocidos sustituibles por otros semejantes, sin afectar la
funcin proteica (como alguna actividad cataltica).
En cualquier caso de redundancia, lo que hay es la posibilidad del sistema de
soportar perturbaciones sin prdida de la funcionalidad. As la redundancia del cdigo
gentico determina con alguna probabilidad la posibilidad de resistir mutaciones en la
molcula de DNA (primer nivel de recepcin) consistentes en la sustitucin de un
nucletido por otro sin que esto implique un cambio del aminocido codificado por el
triplete en la secuencia aminoacdica (segundo nivel de recepcin). A su vez, en caso de
haber una sustitucin de un aminocido por otro que se le asemeje, la funcin puede
conservarse (tercer nivel de recepcin).

De este modo, suponiendo que de los 20

aminocidos estndares, 16 de ellos fueran insustituibles, el nmero de protenas

diferentes codificadas por una hebra de DNA

n/3

de n nucletidos sera 16 , por lo que la probabilidad de obtener cualquiera de ellas sera

n/3

1/16 , implicando una cantidad de informacin de:

I3

1,33n bits .

1
n/3
16

log 2

Puede haber un cuarto nivel de recepcin, consistente en la asociacin de protenas

codificadas por segmentos diferentes de la hebra de DNA. Sin embargo, supongamos
que la protena se compone de dos cadenas de aminocidos codificadas por una misma
hebra de n/2 nucletidos. Esto significa que la protena tendr (1/3)(n/2 + n/2) = n/3
aminocidos, como en el caso anterior, pero la informacin de una subunidad de la
protena estar contenida en la otra subunidad.

De este modo, la informacin de la

protena resultante (un

homo-dmero) ser como si fuese codificada solamente por la mitad de los
nucletidos:
n
I 4 1,33

0,67n bits .
2

Para cada uno de los niveles de recepcin anteriores, podemos calcular los
niveles de redundancia de acuerdo a cmo se definieron anteriormente, tal como aparece
en la siguiente tabla, donde n es el nmero de nucletidos de la hebra de DNA codificante:

Nivel de recepcin
ro

1 : Hebra de DNA
do

2 : Secuencia de
aminocidos.
ro
3 : Secuencia de
aminocidos con
aminocidos sustituidos.
to
4 : Formacin de un
homo-dmero.

Cantidad de
informacin (bits)
2n

Fraccin de
redundancia, R
0

1,44n

0,28

1,33n

0,34

0,67n

0,72

Los sistemas biolgicos, conforme progresan, alcanzan niveles de valor de

insustituibilidad cada vez mayores.
creciente de la complejidad.

Esto est en directa relacin con el aumento

Curiosamente, los individuos ms complejos poseen la

capacidad de ser ms selectivos en cuanto a la seleccin de la informacin del medio.

Una ameba, por ejemplo, fagocitar casi cualquier partcula que encuentre. En cambio,
una rana, ser capaz de distinguir e interesarse en un insecto en movimiento, as como un
murcilago seleccionar a su presa a travs de un aparato incorporado de deteccin
ultrasnica.

La capacidad de seleccin de informacin es algo que se obtiene

pasivamente como resultado de la pura estructura biolgica.

As, un canal inico no

requiere consumo de energa para seleccionar a un determinado ion y permitirle atravesar

la membrana plasmtica. Dado que un ion es permeable, lo ser siempre que el canal
mantenga su estructura. A pesar de que la selectividad de la informacin no requiere
consumo de energa, la adquisicin de informacin por un sistema biolgico requiere
energa y este requerimiento aumenta con la temperatura.

En otro captulo, donde

estudiaremos el concepto de desorden, veremos que

-23

se requiere de 10 J/K por cada bit de informacin

obtenido.

EL IMPACTO DE
COMUNICACIONES

LA

TEORA

Claude Shannon es considerado

uno

DE

LA

INFORMACIN

de los fundadores de la

EN

LAS

era de

la

informacin, debido a la publicacin de su artculo sobre Una teora matemtica de la

comunicacin. Pudo describir sistemas de comunicacin ideales, permitiendo identificar
los problemas que deban resolverse para lograr la materializacin de dichos sistemas.
Esta es la razn por la que cientficos e ingenieros se apoyan en los principios de
Shannon para lograr nuevos y mejores sistemas.

l encontr relaciones crticas entre

los elementos de los sistemas de comunicaciones. La potencia de la fuente de una seal;

el ancho de banda o rango de frecuencia de un canal de comunicacin a travs del cual
viaja la seal; y el ruido del canal, que se superpone a la seal, tal como la esttica
impredecible que distorsiona la recepcin de las seales de radio.

Tambin pudo

demostrar que se poda transmitir informacin a travs de canales ruidosos a tasas de

error que podan ser controladas. Lo ms importante, su teora marca a los cientficos e
ingenieros los lmites de lo posible y lo imposible en telecomunicaciones.

Para entender la teora de Shannon debe tenerse en cuenta lo siguiente:

-

Las palabras son smbolos cuyo significado depende del par emisor-

receptor involucrado en la comunicacin.

-

Los smbolos, vistos por un observador externo al objeto parlante se

perciben como generados al azar. Esto aun cuando el sujeto emisor los emita con cierta
correlacin interna. En la medida en que esta correlacin pasa inadvertida para el sujeto
receptor, el mensaje acarrea una incertidumbre susceptible de ser medida con la definicin
de cantidad de informacin de Shannon.
-

Toda comunicacin involucra tres etapas: codificar el mensaje en la fuente

emisora, transmitir el mensaje a travs de un canal de comunicacin, y decodificar el

mensaje en el receptor.
En telecomunicaciones, un canal es el medio de transmisin de la informacin
compuesto por un alambre o una fibra.

En otros casos, en un sistema inalmbrico, es

simplemente el intervalo continuo del espectro de frecuencias electromagnticas usado

para transmitir el mensaje y que permite que no haya interferencia con la transmisin de
otros mensajes que emplean segmentos distintos de frecuencias del espectro.

Las

ecuaciones de la teora completa de Shannon permiten determinar cunta informacin

puede transmitirse a travs de estos canales en un sistema ideal. Tambin hacen posible la
compresin de datos, que no es ms que la capacidad de seleccionar la informacin
insustituible, es decir, la informacin no redundante.

Las tcnicas de compresin de

informacin pueden ser muy tiles para la transmisin de seales de video. Una seal
de video y audio con calidad excelente podra demandar 70.000.000 bits por segundo
(bps).

La transmisin a esta velocidad es econmicamente inviable, aun empleando la

tecnologa de fibras pticas con alto ancho de banda (mxima cantidad de datos que
pueden pasar por un canal de comunicacin en un momento dado). Sin embargo, las
tcnicas de compresin permiten transmitir seales de calidad aceptable hasta a 56.000
bps.

Cuando Shannon public su teora, en 1948, el mejor de los cables permita transmitir
1800 conversaciones.

Veinticinco aos ms tarde, el cable de mayor capacidad poda

transmitir 230.000 conversaciones simultneamente.

Actualmente, una hebra de

fibra ptica tan delgada como un cabello puede transmitir, simultneamente ms de 6,4
millones de conversaciones simultneamente o, transmitir unas 90.000 enciclopedias en
un segundo. Sin

embargo,

el

lmite

terico

de

transmisin

de

una

fibra

ptica es de
100.000.000.000.000.000 (cien mil billones) de conversaciones, cada una codificada
a
64.000 bits por segundo.
8

Una entrada de 8 bits (1 byte) podra codificar 256 (igual a 2 ) smbolos (asterisco,
letras, vocales acentuadas, espacio, punto, coma, etctera).

Supongamos que en un

segundo se transmiten 8000 smbolos, elegidos de estos 256.

En este caso, la

capacidad de
transmisin sera 8 8.000 = 64.000 bits por segundo. Si los bits a la salida del canal son
los
mismos que a la entrada del mismo, se dir que el canal est exento de ruido. En el caso
en que el canal posea un determinado nivel de ruido, se tendr que en algn porcentaje, los
bits de salida del canal no sern los mismos bits de entrada del mismo. As, si el nivel de
ruido es 10 %, esto indicara el porcentaje de veces en que en la posicin de un dgito
binario 1 aparece un dgito 0 o viceversa. La teora de la informacin permite determinar
que la capacidad mxima de transmisin de informacin de un canal como el anterior es
67.840 bits por segundo. Lo que quiere decir que a capacidades menores podr haber
transmisin a tasas que no superen una tasa de error deseada.

Por ejemplo, puede

emplearse este canal ruidoso para transmitir a la capacidad de 64.000 bits por segundo,
propuesta al comienzo, esperando slo un error cada mil millones de bits. Un canal que
transmita a velocidades mayores que el mximo terico, tendr demasiada informacin
corrompida por el ruido. En este caso, el exceso de capacidad de transmisin debe
emplearse para el envo de informacin repetida que pueda sobrellevar la prdida de
informacin.
demasiado

Sin embargo, el empleo

la

tasa

de

de

informacin

repetida

disminuye

transmisin de informacin relevante. Afortunadamente, la

teora de la informacin nos dice que si la tasa de transmisin es menor que el lmite
mximo establecido, es posible emplear cdigos de correccin de errores que permitan

disminuir la probabilidad de error.

Sin embargo, estos cdigos son cada vez ms

complejos cuanto menor se intenta hacer a la probabilidad de error.

Todo lo que nos espere en el mundo de las telecomunicaciones habr

sido anunciado por Shannon. No debera sorprendernos que sus principios se apliquen
tambin a los sistemas biolgicos, en los que toda su organizacin apunta a la
determinacin de los flujos, la evolucin y la perpetuacin de la informacin.

En

captulos posteriores se ver que la teora de la informacin est esencialmente

relacionada con la teora de los sistemas complejos, como los sistemas biolgicos, as
como con los conceptos de espontaneidad y desorden, tambin inherentes a la lgica de
la vida y al estudio termodinmico de cualquier sistema.

ANEXO 7.1
La numeracin binaria y el empleo de la lgica
La numeracin que usamos a diario suele ser la numeracin del sistema decimal.
Desde nio aprendemos que, para representar un nmero en el sistema decimal, las
unidades (menores que diez) deben representarse como el dgito ms a la derecha del
nmero. El dgito contiguo, hacia la izquierda, representa la cantidad de grupos de diez
unidades o decenas. Cada diez decenas acumuladas, contamos una centena, lo que se
representa en el tercer dgito, y as, sucesivamente. Matemticamente, la notacin decimal
supone que:
0

a10 + b10 + c10 + d10 + = dcba.

en donde los trminos a, b, c, d, ..., de la sucesin, son dgitos del 0 al 9.

Debiendo

considerarse que, si el nmero es distinto de cero, el dgito del extremo izquierdo debe
ser el ltimo dgito de la sucesin que es distinto de cero.

Por ejemplo, el nmero

525 se
escribe as en notacin decimal porque: 5

10 0

2 101

5 10 2

525 .

Cuando se quiere realizar una notacin en una base numrica distinta, se emplea
el mismo principio. Supongamos que un nmero en notacin decimal lo anotamos de
la
forma:
0

a2 + b2 + c2 + d2 + = dcba.
en donde a, b, c, d y los dems coeficientes son dgitos del 0 al 1.

Nuevamente, si

el nmero es distinto de cero, el dgito del extremo izquierdo debe ser el ltimo dgito de
la serie que es distinto de cero. En este caso, decimos que el nmero dcba, formado
por los dgitos binarios 0 1, est anotado en base dos, requiriendo solamente notacin
0

binaria. Como ejemplo, el nmero 2 en base 2 debe escribirse 10, ya que: 2 = (0)2 + (1)2 .
Ntese que se escriben todas las potencias de 2, desde la menor (exponente
cero) hasta la mayor potencia precedida de un factor 1. Las potencias intermedias que
no sean necesarias, de todos modos deben anotarse precedidas de un factor cero, as
como puede verse en el siguiente ejemplo.
escribir como

El nmero 53 (en notacin decimal) se

110101, ya que:
1 2

0 2

1 2

0 2

1 2

1 2

53 .

Esto parece bastante innecesario. Se requieren 6 cifras para representar el nmero 53

en el sistema en base 2, mientras que en el sistema decimal slo se necesitan 2. Pero
la importancia de la notacin numrica en base 2 es que es binaria, permitiendo realizar
clculos computacionales, aprovechando que el dgito 1 se puede representar por un
interruptor en una posicin que permite la circulacin de corriente en un circuito
(conectado), en tanto que el dgito 0 se puede representar por el mismo interruptor en
una posicin que no permite la circulacin de corriente (desconectado). Un nmero
binario de n dgitos puede representarse por n interruptores, con cada uno de ellos en la
posicin de encendido o apagado correspondiente.
De este modo, con los circuitos apropiados, una mquina puede efectuar
fcilmente todo tipo de operaciones matemticas. Se trata de las operaciones aritmticas
usuales, as como algunas operaciones de tipo lgico. Sobre estas ltimas, conviene
detenerse un poco.
Entendiendo que dos interruptores conectados en serie determinan un conjunto de
reglas para su funcionamiento global, podemos definir la multiplicacin de tipo
booleana
de acuerdo a la siguiente tabla:
Interruptor 1 Interruptor 2 Interruptores 1 y 2
conectados en serie
1
1
1
1

Lo que se debe interpretar as: ambos interruptores deben estar conectados para que el
circuito resultante conduzca la corriente.

Es decir: si al menos uno de ellos no est

conectado, quedar impedido el paso de corriente. Esta tabla establece una relacin que es
anloga a la tabla de verdad que posee la proposicin lgica del operador y:

pyq

Es decir, si suponemos que el dgito 1 representa una proposicin verdadera y que el

dgito 0 representa una proposicin falsa, entonces, cada interruptor puede representar el
valor de verdad de una proposicin diferente (denominadas proposiciones p y q).
Esto significa que la conexin en serie de dos interruptores representa el valor de verdad
de la proposicin compuesta p y q. Como ejemplo: si la proposicin p significa
ando en bicicleta y la proposicin q significa silbo una cancin, la proposicin
p y q ser verdadera solamente si hago simultneamente ambas cosas.
Para el operador lgico o tambin existe una tabla de verdad anloga a una tabla
de estados de un circuito de dos interruptores conectados, esta vez en paralelo:
p

poq

Esto quiere decir que la proposicin ando en bicicleta o silbo una cancin ser
verdadera si hago, al menos, una de las dos cosas. Esto se representar bien en el circuito
cuando al menos un interruptor est conectado.
En realidad el o de antes corresponde al o que en el castellano llamaramos
y/o, dado que ambas proposiciones tambin pueden ser verdaderas simultneamente.
Este operador lgico es diferente del o excluyente, en el que se admite que slo una
de las proposiciones es verdadera, correspondindole la siguiente tabla de verdad:

p o excluyente q

As como en los casos anteriores, es posible disear un circuito que cumpla con
la tabla anterior y con muchas otras tablas de verdad de otros operadores lgicos (como
la negacin, la implicancia, la equivalencia o implicancia recproca, etctera).
Es este principio de representaciones binarias, a travs de la manipulacin de los
estados de conductividad de un circuito, lo que ha permitido el desarrollo de las
computadoras. Por supuesto que un interruptor es una unidad operativa que puede estar
soportada por componentes electrnicos que ocupen un espacio muy reducido y, en
trminos prcticos, no sirve el interruptor mecnico que estamos acostumbrados a utilizar
cuando encendemos una luz.

La representacin de la codificacin binaria en otros

soportes, tal como la magnetizacin de un material en un sentido o en otro, o la

formacin o no formacin de una cavidad sobre un disco, sum a las posibilidades de
procesamiento de informacin las enormes potencialidades del almacenamiento.

Otro

soporte, aunque controversial en cuanto a su significacin, biolgica es la red neuronal

terica.

ANEXO 7.2
Demostracin formal de la Frmula de Shannon
Requisitos
de
conocimientos
previos
para
entender
la
demostracin:
combinatoria, probabilidad, sumatoria, signo de productoria y propiedades de logaritmos.
(Si lo desea, puede omitir la lectura de esta seccin sin mayores consecuencias que
la prdida del placer matemtico)

A continuacin, se demostrar que la expresin de Shannon equivale a la

informacin promedio por signo de un mensaje, suponiendo que los signos se distribuyen
con una probabilidad determinada.

Los clculos emplearn la definicin simple de la

cantidad de informacin del comienzo de este captulo.

Para ello, supongamos que se tiene una noticia que contiene N signos sucesivos
(letras, signos de puntuacin, espacio, etctera), elegidos de un total de M tipos diferentes
(algo as como un alfabeto). En cada una de las N casillas se puede encontrar cualquiera
de los M signos posibles. Pero supongamos que todas las noticias de longitud N tienen
que cumplir la siguiente condicin: En la noticia estn contenidas N1 signos A, N2
signos B,
etctera. De modo que se cumple que:

Nj

j 1

y, para una noticia muy larga, la probabilidad de aparicin de signo dado es:

N
p

j 1, 2, ..., M .

,
j

Con esta distribucin de probabilidad para los signos, el nmero total Q de

noticias posibles de N signos es igual al nmero de sucesiones distintas de N signos
que pueden formarse con M tipos de signos, aun cuando haya algunos de ellos repetidos:

N!

N j!
j 1

La probabilidad de obtener una de estas posibles combinaciones es 1/Q. Aplicando

x log 2 x ,
la definicin de informacin y la frmula de aproximacin de Stirling ( log 2
x!
que da buenos resultados para x > 100), la informacin IN contenida en un mensaje de N
caracteres se calcula segn:

1
Q

IN

log 2 N!

log 2

log 2

N j!

j 1

N log 2 N

N j log 2 N j
j 1

N j log 2 N

j 1

N j log 2 N j

j 1

Nj

N j log 2

j 1

N
j 1

Nj
N

log 2

Nj
N

Considerando la definicin anterior de la probabilidad pj de aparicin de un signo, la

expresin anterior se reduce a:
M

IN

p j log 2 p j .

j 1

Si queremos calcular la informacin promedio, I, correspondiente a un slo signo,

debemos dividir el valor de IN por N, la cantidad total de signos de la noticia. Luego:
M

I
j 1

p j log 2

pj ,

la frmula de Shannon.

Es decir, que, segn esta demostracin, la expresin de

Shannon equivale a la informacin promedio correspondiente a un signo individual que

forma parte de un mensaje, suponiendo que los signos se distribuyen con una probabilidad
determinada.

La entropa y el desorden

Necesariamente, el estudio de algunos aspectos estructurales compartidos por sistemas de

distinta naturaleza, permite la obtencin de conclusiones que pueden aplicarse a cualquier
sistema, entre los que se cuentan los sistemas biolgicos.

Uno de estos aspectos

estructurales es el concepto de desorden (o de orden), de vital importancia si

consideramos que los seres vivos son altamente ordenados en relacin con el medio inerte
que los rodea. Pareciera ser que esta capacidad de autoestructuracin fuese consustancial a
la capacidad de adaptacin de todos los seres vivos. Si se pretende determinar leyes
cuantitativas para la formacin de estructuras ordenadas, y con ello aportar a la
explicacin de los fenmenos de la vida, es necesario definir claramente el concepto de
desorden, al extremo de poder cuantificarlo. Una vez ms, para avanzar en los caminos
de la ciencia, se hace necesario construir un concepto bien definido a partir de una
concepcin puramente intuitiva. Al final, se podr apreciar que tal esfuerzo vale la pena
porque permitir el descubrimiento de leyes universales que determinarn cules sern los
procesos a los que les estar permitida o no su existencia.

Se explicar el mundo de

lo posible con las mismas leyes que determinan el mundo de lo imposible. Se

explicar lo que es con la misma lgica con que se explica lo que no es. Estas leyes son
vlidas sin que importe la naturaleza del sistema en estudio. Es decir, son una herramienta
ms de integracin de las ciencias bsicas en la biologa.

DEFINIENDO EL DESORDEN
Cuando se vierte una gota de tinta sobre el agua, se observa el esparcimiento de la
gota hasta mezclarse homogneamente con toda el agua.

A nivel microscpico, ha

ocurrido una mezcla de las molculas de ambas sustancias, producto de los movimientos
de traslacin molecular, los que aumentan con la temperatura. No hay ninguna razn por
la cual la tinta deba estar confinada en un rincn del vaso, como tampoco hay ninguna
razn para que cada molcula de tinta est en un lugar determinado, cuando suponemos
que las colisiones intermoleculares son todas aleatorias. Entonces, suponemos que todas
las distribuciones de

las molculas de tinta son igualmente probables.

Si observamos algn fenmeno

asociado a la distribucin de sus posiciones, como la concentracin o el color de la

tinta disuelta, comprobaremos que el fenmeno se manifestar del modo ms probable.
Por ejemplo, despus de la difusin de la gota de tinta, se observa que las molculas
terminan esparcidas homogneamente por todo el vaso de agua.

Esto debe hacernos

sospechar que hay ms formas de ocupar con las molculas de tinta el volumen completo
de agua que formas de ocupar slo un rincn del vaso (todas las formas con la misma
probabilidad). Del mismo modo que hay ms formas de sentar a diez personas en un cine
de modo que cada mitad del cine contenga a la mitad de ellas, que formas hay de que todas
ellas se sienten en la primera fila.

Como se ve, en un sistema que posee partes

intercambiables, siempre se puede distinguir un estado observable macroscpico

(macroestado) que depende en forma gruesa de la ubicacin de cada una de las partes,
pero que no nos revela la ubicacin de ellas con exactitud, as como un estado que
involucra

la descripcin detallada de

las partes del sistema (microestado).

El

microestado nos indicara detalladamente qu asiento ocupa cada una de las diez personas
en el cine.

El macroestado nos indica una situacin ms global, tal como cuntas

personas estn en una de dos mitades del cine y se determina absolutamente con el
ordenamiento descrito

por el observable microscpico.

Sin embargo, habr varios

ordenamientos microscpicos compatibles con un mismo macroestado. Es as como hay

muchas formas de ordenar a diez personas dentro de un cine para que un determinado
porcentaje de ellas quede en alguna mitad del mismo. Cuando se dice que hay varias
formas de ordenar un sistema (nmero de microestados) para mantener un mismo
macroestado, paradjicamente, se dice que el sistema est desordenado. Por qu?
Porque si un mismo macroestado (porcentaje de personas en la mitad del cine) es
compatible con varios microestados (distribucin de las personas en los asientos), todos
estos microestados compatibles son igualmente probables, de modo que no sabemos en
cual de ellos se encuentra el sistema, y nos dara lo mismo que se sucedieran unos a
otros en forma aleatoria.

Es decir, que el concepto de desorden en esta primera

aproximacin, ya se aprecia como relacionado directamente con el concepto de

incertidumbre o prdida de informacin.
Comienza a vislumbrarse una definicin esttica de desorden: El desorden
aumenta con el nmero de microestados compatibles con un mismo macroestado.
Compatibles

significa que el macroestado est soportado en el microestado.

Esto admite la

posibilidad de cuantificar el desorden y de estudiar sus leyes.

Supongamos que poseemos un nmero determinado (N) de fichas con uno de sus
lados negros y otro de sus lados blancos. Si todas las fichas estn numeradas para su
identificacin, y estn extendidas completamente sobre una bandeja, podemos
describir, con todo detalle, cules de ellas poseen su lado negro hacia arriba y cules de
ellas poseen su lado blanco hacia arriba (ntese que esta opcin binaria es similar a
escoger la mitad del cine en donde se sentar un sujeto o la mitad del vaso donde se
ubicar la molcula de tinta).

El estado macroscpico podra especificarse por la

fraccin M de fichas con su lado negro hacia arriba.

El nmero de microestados

compatibles con el macroestado M se denominar m.

Si las letras n y b indican que las caras superiores de las fichas son negras o
blancas, respectivamente, una distribucin u orden determinado de fichas se representar
por la correspondiente sucesin del tipo nbbn, tal que cada lugar en la sucesin
corresponde al estado de una ficha determinada. Supongamos, para realizar un clculo
sencillo, que el nmero de fichas es 5. La cantidad m de microestados compatibles con
todas las fichas negras (M = 1) es 1, con: nnnnn representando al nico microestado
todas negras. En el caso M = 0,2 slo una de ellas ser negra, por lo que habr m = 5
microestados compatibles con dicho macroestado: nbbbb, bnbbb, bbnbb, bbbnb y bbbbn.
Para cuando observe M =
0,4 se tendrn los siguientes microestados posibles: nnbbb, nbnbb, nbbnb,; o sea, m = 10.
Ya es aparente que, cuando sea mayor la cantidad de fichas, ser mayor la cantidad de
ordenamientos compatibles con el macroestado del sistema, consistente en que la mitad de
las fichas sobre la bandeja se ven negras.
La frmula para el clculo del nmero m de microestados compatibles con el
macroestado M, cuando hay N fichas, es:

(N

N!
.
NM )!( NM )!

Es tentador realizar un clculo de la cantidad de estados microscpicos

compatibles con un mismo estado macroscpico para cualquier nmero de fichas.

Macroestado
M
0,00
0,02
0,05
0,10
0,20
0,40
0,50
0,60
0,80
0,90
0,95
0,98
1,00

Desorden m
1
3
4,9 x 10
7
7,5 x 10
13
1,7 x 10
20
5,5 x 10
28
1,4 x 10
29
1,0 x 10
28
1,4 x 10
20
5,5 x 10
13
1,7 x 10
7
7,5 x 10
3
4,9 x 10
1

Nmero de microestados (m) compatibles con varios macroestados (M), empleando 100
fichas (N) con un lado negro y otro blanco.

Cuando se sacude la bandeja de modo que las fichas se volteen al azar, aunque
todos los microestados son igualmente probables, habr macroestados ms probables que
otros.
N

La cantidad total de microestados es: 2x2x2x2 = 2 , por lo que la probabilidad P M

de que el sistema est en un macroestado M se calcular segn:

PM

100

Por ejemplo, de los 2

m(M )
.
N
2

microestados de una bandeja con 100 fichas, solamente

uno corresponde al macroestado todas negras (M = 1), por lo que la probabilidad de

que el
microestado todas negras se presente despus de sacudir la bandeja es:

P
0

1
2

100

10

30

Esta probabilidad es tan pequea que la bandeja podra sacudirse mil millones de veces
por segundo durante 100 mil millones de aos sin que ocurriese el macroestado todas
negras.

No existe ley mecnica que impida que este macroestado ocurra, pero su probabilidad
es tan pequea que puede considerarse nula.
El macroestado de mximo desorden tiene asociada la mxima probabilidad. El
mximo desorden se obtiene para el macroestado 50% negras (M = 0,5), y su
probabilidad es:
P

10

29

0,5

0,08 .

100

Esto significa que de cada cien sacudidas, en promedio, 8 veces se observar el 50% de las
fichas de un mismo color.

Pocas veces interesa un observable macroscpico tan

definido, adems de que siempre habr un rango de incertidumbre debida al error

experimental. En este caso, un clculo de probabilidades asegura que el 98 % de las
veces que se agite la bandeja el macroestado M estar comprendido entre 0,4 y 0,6.
Si el nmero de fichas se aumenta a un milln, el 99,99% de los microestados
corresponder a macroestados comprendidos entre M = 0,499 y M =0,501. es decir, la
probabilidad de que se encuentre un macroestado muy diferente a 0,50 disminuye.

Si

suponemos que al principio todas las fichas estn vueltas del lado blanco, y agitamos
la bandeja para permitir que las fichas cambien de estado, con una alta probabilidad las
fichas configurarn un macroestado prximo a 0,50. Cualquier otra transicin aleatoria
entre microestados mantendr, muy probablemente, un valor muy prximo a 0,50.
Resumiendo, en los sistemas como los estudiados, el macroestado ms probables es
aqul que tiene asociado un mayor nmero de microestados compatibles. Como se ha
identificado m como el grado de desorden, se puede decir que, mientras mayor sea el
desorden asociado a un macroestado, ms probable es que ste ocurra. Los sistemas
ms grandes, con millones de millones de molculas, como la tinta en el vaso de agua,
permiten que exista un rango cada vez ms estrecho de macroestados ms probables
debido a que son compatibles con una mayor fraccin de microestados. En consecuencia,
un sistema gobernado por dichas probabilidades, en la prctica no cambiar nunca hacia un
estado de menor desorden.

LA ENTROPA COMO UNA MEDIDA INDIRECTA DEL DESORDEN

Muchas veces en ciencia ocurre que una cantidad es bien comportada, en el sentido
que sigue ciertas leyes.

En ese caso, se redacta una definicin coherente y se le

pone un nombre para que otros la empleen.

Este es el caso la entropa, una

propiedad de los sistemas formados por muchas partculas. El antecedente es que se

vio que en cualquier proceso que ocurriera en el universo, esta cantidad aumentaba.
Adems, se vio que si se multiplicaba por la temperatura, se transformaba en un tipo de
energa que era necesario sumar a las dems energas del sistema.
Recordando que desorden es el nmero de microestados compatibles con un mismo
macroestado, la entropa SM de un macroestado M es una cantidad proporcional
al
logaritmo natural de su desorden m:
SM

k ln m .

-23

Con k = 1,38x10 J/K, denominada constante de Boltzmann, donde J y K indican

la unidad de energa (Joule) y de temperatura (grado Kelvin), respectivamente. El valor y
las unidades de esta constante han sido elegidos convenientemente para obtener una
contribucin energtica de la entropa por cada grado de temperatura absoluta.
Dada su relacin con el nmero de microestados compatibles con un observable
macroscpico, en adelante se puede considerar a la entropa como una medicin
indirecta del grado de desorden. Note que si un sistema A posee un desorden mA y un
sistema B posee un desorden mB, el sistema global A+B posee un desorden mAmB. Es
decir, si dos sistemas se suman, sus desrdenes deben multiplicarse. As, si en una caja
hay 4 fichas, ordenadas de modo que la mitad son blancas (bbnn, bnbn, nnbb, nbnb, bnnb
y nbbn) y en otra hay 3 fichas, ordenadas de modo que un tercio son blancas (bnn, nbn,
nnb), los desrdenes son 6 y 3, respectivamente, pero el desorden del sistema global,
formado por ambas cajas, es 6x3 = 18. Hay 18 formas de ordenar todas las fichas de
modo que todava en las cajas A y B se observen la mitad y un tercio de fichas blancas,
respectivamente. Esta propiedad de que los desrdenes se multiplican, permite deducir la
siguiente propiedad: las entropas son cantidades aditivas. Es decir, si SA y SB, son las
entropas de los sistemas A y B, respectivamente, la entropa SAB del sistema A+B es igual
a la suma de las entropas parciales. As,

S AB

k ln( m A mM ) k ln m k ln m B

SA

SB.

Como pM = 1/m es la probabilidad de que el sistema est en uno de los de los m

microestados compatibles con M, la entropa tambin se acostumbra anotar de esta forma:
SM

k ln p M .

Es importante no confundir pM (la probabilidad de obtener un microestado

compatible con la clase M) con PM (la probabilidad de hallar el sistema en el
macroestado M) definido anteriormente para denotar la probabilidad de hallar el
sistema en el
macroestado M. En nuestro ejemplo de las fichas, puede verse que

P
M

m
2

1
.
2 pM

En el ejemplo del cine, suponiendo que se sabe que el observable macroscpico

consiste en que la mitad del cine contiene a la mitad de las personas, p1/2 se tratara de
la probabilidad de obtener una determinada distribucin de personas en los asientos que
cumplan con esta condicin. No se trata de la probabilidad P1/2 de que la mitad del
cine contenga a la mitad de las personas.
En los desarrollos anteriores hemos supuesto sistemas aislados, porque no
intercambian materia ni energa con el entorno. Esto los convierte en universos, ya
que no se relacionan con ningn otro sistema.

Tambin se ha supuesto que estos

universos acceden a cualquiera de sus microestados con igual probabilidad, por lo que se
vio que los microestados correspondientes a una misma clase de observable macroscpico
tendan a aparecer ms frecuentemente cuando eran proporcionalmente ms numerosos.
Aceptando este principio, la segunda ley de la termodinmica parece explicada
completamente: la entropa del universo nunca disminuye, sino que est en permanente
aumento o permanece constante. A pesar de que esta ley se formula aludiendo al universo
completo, la definicin de entropa se usa en cualquier subsistema. La razn es que las
entropas locales pueden sumarse obtenindose la entropa de todo el universo, por la
definicin misma de entropa,

donde se aprecia que el logaritmo de la probabilidad del todo es la suma de los

logaritmos de las probabilidades de las partes.

Al final, siempre se podr sumar la

entropa del ambiente a la entropa de cualquier sistema para obtener la entropa del
universo y aplicar la segunda ley de la termodinmica.

EQUIVALENCIA ENTRE ENTROPA E INFORMACIN

Como hay que considerar el caso en que un sistema pueda fluctuar entre un estado
microscpico a otro, una expresin ms completa, que considera el promedio S de
la
entropa asociada a cada uno de los microestados posibles
es
S

p j ln p j ,
j

denominada frmula de entropa de Gibbs. Esta expresin debera conectarnos con la

expresin para la medida de la informacin de Shannon contenida en el sistema:

p j log 2 p j .
j

De modo que: S = k(ln2)I.

( S

S final

De aqu, el cambio de entropa del sistema

I final I inicial ):
S inicial ), es proporcional a la ganancia de incertidumbre ( I

k ln( 2) I .

La equivalencia entre los cambios de entropa y los cambios de informacin deben

entenderse como tantas otras relaciones de equivalencia en fsica, tal como la
2

equivalencia entre la masa (m) y la energa (E), a travs de la ecuacin E = mc (con

c igual a la velocidad de la luz en el vaco). En nuestro caso, el factor de equivalencia es
kln2, donde el factor ln2 obedece a que ambas magnitudes fsicas no emplean la misma
-24

base logartmica. Por lo que podemos decir que 1 bit equivale a 9,57x10 J/K. Este es
el costo de energa que hay que pagar por cada bit de informacin obtenida por grado de
temperatura absoluta

-21

que tenga el sistema, lo que para T = 300 K equivale a 2,9x10 J. Un costo bastante
barato.
As, un aumento de entropa tiene asociado una prdida de informacin. Esto se
entiende fcilmente con el ejemplo de la gota de tinta: antes de que difunda por todo
el volumen, sabemos mucho ms acerca de dnde pueden estar las molculas de tinta.
En cambio, al final, el desorden asociado con la mezcla de tinta ya homogeneizada hace
que sea ms difcil conocer el estado de cada una de las molculas.

Es decir, al

comienzo la situacin est soportada por un nmero de microestados mucho menor que al
final, cuando hay un elevadsimo nmero de microestados compatibles con el macroestado
tinta esparcida por todo el volumen de agua.
En este sentido, la entropa es una medida de nuestra ignorancia sobre el
sistema. Durante el crecimiento de I aumenta tambin S. No hay que olvidar que un
aumento de I significa que nosotros poseemos menos informacin sobre el sistema, puesto
que debemos realizar ms preguntas binarias para determinar su estado.

Frente a qu

somos ms ignorantes: frente a un boleto de autobs o frente a la enciclopedia britnica?

y Cul de ellos contiene ms informacin? Por eso es que durante la evaporacin de un
lquido decrece la informacin sobre el estado de las molculas, al mismo tiempo que
crece la entropa.
Se ha realizado una evaluacin aproximada de la cantidad de energa que
contiene un sistema viviente.

Blumenfeld ha estimado la cantidad fundamental de

informacin en el organismo humano segn la distribucin ordenada de los residuos de

25

aminocidos en 7 kg de protenas, lo que corresponde a 3x10

26

1,3x10

bits.

1,3x10 J/K

residuos.

Esto da
26

Esta informacin calculada para las protenas equivale a 1,3x10 kln2 =

300 cal/

K, unas 93 kcal 37 C, la temperatura corporal. Para el mismo organismo: el aporte del

DNA al contenido de informacin es mucho menor, tratndose de 150 g que equivalen a
23

6x10

bits.

13

La colocacin ordenada de 10
8

el ordenamiento de 10

14

clulas equivale a 4x10

bits y

molculas de biopolmeros en una clula corresponde tan

slo a
9

2,6x10 bits.
En unidades termodinmicas, el orden de un organismo vivo es muy pequeo.
Mucho ms pequeo que el orden de un mineral de roca de la misma masa, debido, en
parte al lquido contenido en el organismo, lo que disminuye en alto grado el orden
molecular.

Como sea, puesto que no nos alimentamos de rocas, sino que de alimentos con un mayor
grado de desorden, adems del desorden de las molculas de agua que asimilamos y, ms
an, del aire que respiramos, se debe reconocer que el transformar la materia inerte en un
organismo vivo supone un aumento del orden molecular.

Esto podra aparentar una

violacin de la segunda ley de la termodinmica, pero hay que tener en cuenta que
dicha ley se refiere al universo completo. Los seres vivos, en tanto se autoestructuran en
forma ordenada, con respecto a su ambiente, desordenan el ambiente, haciendo
que la disminucin de entropa del organismo sea superada por el aumento de entropa
del ambiente, resultando que la entropa global del universo aumenta, cumplindose la
segunda ley.

Supongamos a un astronauta en una cpsula espacial.

Podemos

considerar que la cpsula y todo lo que ella contiene es el universo termodinmico para
el astronauta.

En tanto su organismo se aprecia altamente estructurado, habiendo

molculas en forma de polmeros, clulas dispuestas en capas de tejidos y hasta siendo

aparente una simetra corprea, para subsistir, el astronauta deben consumir alimentos y
arrojar desperdicios. No slo desperdicios de su manipulacin directa del ambiente sino
desperdicios orgnicos. Podemos ver que este cambio del ambiente, consistente en la
transformacin de alimentos estructurados por desechos, no es ms que una
transformacin desde el orden hacia el desorden.

El aumento de la entropa del

ambiente siempre superar la disminucin de la entropa del organismo, cumplindose la

segunda ley: al interior de la cpsula, la entropa aumenta. Lo que ocurrir cada vez ms
lentamente, en tanto que el equilibrio estar ms prximo.

Redes neuronales

Las neuronas son clulas que poseen la capacidad de excitarse cuando un estmulo ha
sobrepasado un cierto umbral, o valor lmite. A su vez, esta excitacin puede traspasarse a
neuronas vecinas, de modo que es posible imaginar una red de neuronas, donde cada una
de ellas puede interactuar con otras, establecindose un rgimen dinmico. Dos neuronas
que hacen contacto directo una con otra a travs de una sinapsis, se dir que son
neuronas vecinas.

El trmino neuronas vecinas conviene no emplearlo para hacer

alusin a la proximidad fsica, sino ms bien conviene reservarlo para aludir al contacto
directo a travs de estructuras con morfologa y funcionalidad muy caractersticas,
conocidas como sinapsis. Es importante hacer esta distincin, porque, en la estructura
del sistema nervioso es comn hallar ejemplos de neuronas que estando espacialmente
lejos, a unos cuantos centmetros, se encuentran topolgicamente cerca, dado que
establecen

contacto sinptico.

En otros casos, neuronas con separacin de

centmetros pueden no tener contacto sinptico, pero pueden tener un contacto sinptico
indirecto, a travs de una sucesin de neuronas intermediarias en contacto sinptico
consecutivo. Otras veces, simplemente no habr ningn tipo de contacto.
La excitacin de la neurona no es ms que un cambio en el potencial de membrana
que es capaz de propagarse a lo largo de la membrana, tal como una fila de domins
manifiesta una reaccin en cadena donde cada uno de ellos es capaz de derribar al que le
sucede en la fila. A diferencia del caso de los domins, la neurona posee la capacidad
de permitir, despus de un tiempo definido, la transmisin de un nuevo impulso, slo si la
membrana por donde se ha propagado la perturbacin elctrica se ha restaurado,
volviendo a sus condiciones iniciales. Tal como si los domins derribados se volvieran a
levantar.

ESTADO DE UNA NEURONA

Ciertamente que cada pulso de perturbacin elctrica, denominado potencial de accin, es
similar a los otros que pudieran originarse en la misma neurona. Lo interesante es que
este potencial es o no es.
embargo, la

Establecindose un fenmeno del tipo todo o nada.

Sin

neurona an tiene la posibilidad de diferenciarse en una gama ms amplia de estados.

Incluso podemos decir que en una gama continua, y por lo tanto infinitos, de estados
posibles.

Esta gama de infinitos estados posibles, en lo que respecta al potencial de

membrana, no es ms que las distintas frecuencias de los pulsos del potencial de

accin: Una misma neurona puede poseer distintas frecuencias de potenciales de accin, lo
que determina la posibilidad de cifrar un mensaje en cdigo de frecuencia, tal como ocurre
con las transmisiones radiales de frecuencia modulada (FM). Es posible ignorar este
aspecto multifactico de la neurona simplificando a la misma neurona en el sentido de
considerarla como capaz de estar en slo uno de dos estados: activo (si se dispara un
potencial de accin) e inactivo (si no se dispara un potencial de accin). Es tentadora esta
imagen ms simple de la neurona porque nos permite suponer a cada clula como la
depositaria de un signo binario representando uno de los dos estados posibles. En una red
neuronal, el ordenamiento en una secuencia de signos binarios numricos, cada uno sobre
una neurona, permitira codificar mucha informacin.

Dado que la evolucin de los

estados de una red neuronal es el producto de la interaccin entre las mismas neuronas, el
que sea posible representar el estado de una red neuronal con patrones binarios que se
modifican unos a otros ofrece la posibilidad de procesar la informacin. Imaginemos que
en la red podemos codificar una pregunta empleando signos binarios. Es posible que la
misma red, a travs de sus interacciones y de su dinmica, determine un estado global final
empleando los mismos signos para codificar la respuesta. Esto se tratar ms adelante.
Para elegir con qu par de signos se simbolizarn los estados de la neurona se apela
slo a la conveniencia: Cuando se quieren interpretar los estados de la neurona como
si fuesen los correspondientes a un imn derecho o invertido, dependiendo de la
orientacin de sus polos norte y sur, se acostumbra emplear el nmero 1 en el estado
activo, como si se tratase del estado hacia arriba (espn arriba) de un material
magntico. Para indicar el estado inactivo de la neurona, se emplea el nmero -1, como
si se tratase de una orientacin hacia abajo del imn (espn abajo).
Otro tipo de representacin utiliza la analoga del estado de una neurona con la
determinacin de un dgito binario. En este caso, el estado activo queda representado por
el dgito 1 y el estado inactivo queda representado por el estado 0.

Dada cualquiera de estas representaciones, el estado de una red neuronal quedara

descrito si se especificasen los signos asociados a cada una de las neuronas que la
constituyen. Podemos entender, entonces, el estado de una red neuronal como muy bien
representado por una hilera o sucesin de signos que nos dicen cmo son los estados de
las neuronas. Un signo por cada neurona.
Como a este nivel del trabajo se hace necesario optar por una de ambas notaciones,
preferir, sin prdida de generalidad, la notacin de estados en base a los signos 1 y -1. La
razn: esta notacin permite conectar los clculos y el anlisis de las teoras de espines
magnticos a las redes neuronales.

Aunque, francamente, como esta notacin posee

un rasgo de simetra del que carece la otra, reconozco estar influenciado por la intuicin
que surge de la esttica.

DINMICA DE UNA RED NEURONAL

La dinmica de una red neuronal corresponde al modo como vara esta hilera de nmeros,
a la que hemos decidido denominar patrn. Lo importante para generar estas hileras de
nmeros es siempre asignar en la misma posicin de la hilera el estado de una misma
neurona. Esto se logra enumerando previamente a las neuronas de una red. Es decir,
hay que nombrar a cada neurona mediante la asignacin de un nmero diferente, en un
orden determinado.

Hasta aqu, entonces, una neurona posee asociados dos nmeros:

el que indica su estado y el que identifica a la neurona, distinguindola de las otras. As,
por ejemplo, podremos decir que la neurona 4 est en el estado +1.
En la siguiente figura, para identificarlas, junto a cada neurona aparece un nmero
que cumple la misma funcin que un nombre. Las neuronas en estado -1 son pintadas
de negro y que las neuronas en estado +1 son pintadas de blanco. El estado de cada
neurona de la red se indica en el orden en que han sido numeradas.

As (figura A),

se puede apreciar una red de 5 neuronas que est en el estado (1,-1,-1, 1, 1). En el
instante posterior (figura B), el estado de la red vara a (1,-1, 1, -1, 1) y en el instante
posterior (figura C) la red vara al estado (-1, 1, 1, -1, -1).

Figura 9.1. Secuencia para representar la dinmica de una red neuronal.

Es decir, que podemos entender la dinmica de una red de N neuronas (en este caso
5 neuronas) como el peregrinar de un estado (global) formado por un patrn de N
signos binarios (1 y -1) a travs de un espacio de dimensin N:
(1,-1,-1, 1, 1)

(1,-1, 1, -1, 1)

(-1, 1, 1, -1, -1)

Como no ha sido explicado el modo en que evolucionan los estados de una red
neuronal, y si el tema le preocupa, por ahora basta con que se imagine que un duende
se encarga de actualizar los estados de las neuronas, de modo que los estados de toda la red
varan de una forma obligada.
dinmica y no entender sus causas.

Por el momento aqu slo se pretende describir la

Suponga que despus de mltiples actualizaciones de los estados de la red neuronal

se alcanza un ltimo estado. ltimo estado porque suponemos que la red no admite
una evolucin hacia otro estado, pudiendo ser el final del camino para muchos otros
estados. Dicho de otra forma: hacia un estado final son atrados (o convergen) mltiples
estados iniciales de la red neuronal. En resumen, hay estados finales que atraen a estados
iniciales. A los estados finales se les denomina estados atractores. Dependiendo de la
naturaleza de la red, tambin puede haber estados finales que se suceden en forma
peridica, considerndose al conjunto de estos estados como un ciclo atractor.

REGLA DINMICA PARA LA EVOLUCIN DEL ESTADO DE UNA NEURONA

En general, cada neurona de la red posee la capacidad de contribuir a la determinacin del
estado de otra vecina, a travs de un peso sinptico (una especie de ndice de la
influencia). En la figura siguiente, el estado de la red anterior de cinco neuronas es (1,
-1,
1, -1, 1) (Indicndose, como se dijo, los estados de la neurona 1 a la 5). Vemos que
cada neurona vecina de la red posee un valor de peso sinptico (indicado al interior de un
cuadrado) hacia la neurona 3 (lo que se indica con la flecha).

Si la sinapsis no

existiera,
eso se indicara por un peso sinptico igual a cero.
2
1
-5

9
3

-4

Figura 9.2. Influencia sobre una neurona por las neuronas vecinas, a travs de los pesos
sinpticos indicados en el interior de los cuadrados. Ntese que los pesos sinpticos
poseen una direccionalidad. Es decir, en general, no debe suponerse que las influencias
recprocas sean simtricas.

Simultneamente, cada neurona vecina multiplica su estado por su peso sinptico

hacia la neurona 3. Dicho resultado representa la influencia de una neurona (presinptica)
sobre la neurona 3 y se suma con las influencias ejercidas por las dems neuronas. Al
final, obtenemos algo as como la influencia total de los estados de las dems neuronas
sobre la neurona 3.

El clculo de esta influencia total se realiza de acuerdo a la

siguiente tabla,
donde son definidos, adems, los valores de los pesos sinpticos:
Neurona
1

Estado Sinapsis sobre Influencia sobre la

la neurona 3
neurona 3
+1
9
19 = 9

-1

-5

-1 (-5) = 5

-1

-1 (6) = -6

+1

-4

1 (-4) = -4

Influencia
total sobre la
neurona 3

9 +5 + (-6) + (-4) = 4

Toda neurona posee, en su estructura, un parmetro que determina el efecto de la

influencia total ejercida por las dems neuronas.

Se trata del umbral.

Si la funcin

de influencia sobrepasa un valor umbral, diremos que la neurona deber estar en un estado
activo. De lo contrario, deber estar en un estado inactivo. Supongamos que el umbral
de la neurona 3 es 2. Como, la influencia total calculada anteriormente es 4, sta ser
mayor que el umbral (4 > 2), por lo que la neurona 3 debera estar en estado activo. En el
caso en que el umbral hubiese sido 5, la influencia total calculada anteriormente habra
sido menor que el umbral (4 < 5), por lo que la neurona no se activara.

APRENDIZAJE DE UNA RED NEURONAL

Cuando nos interesa una pregunta, tratamos de hallar una respuesta correcta. Esto es lo
que se logra con el aprendizaje: La evolucin desde una pregunta hacia la respuesta
correcta. La pregunta puede ser un evento parcial o diferente que nos recuerde algo (la
respuesta). En otro caso, la pregunta puede ser un dato indeterminado en el contexto de un
conjunto de

datos conocidos y la respuesta puede ser la obtencin del dato desconocido, tal como
ocurre con los clculos aritmticos.
Si reconocemos que una pregunta se puede codificar en forma binaria sobre una
red neuronal, entonces tambin podramos codificar la respuesta sobre la misma red. Dado
que no siempre la codificacin de la pregunta se realiza sobre las mismas neuronas en las
que se codific la respuesta, en general, podemos distinguir dos grandes tipos de redes
neuronales: las autoasociativas y las de multicapas.

En las primeras, las neuronas

empleadas para la pregunta son las mismas que las empleadas para codificar la respuesta.
Entre el estado de la pregunta y el estado de la respuesta, habr una sucesin de
estados transitorios. Transitorios porque la estructura de la red impone la evolucin hacia
el estado de respuesta. En el segundo tipo de red neuronal la pregunta puede codificarse
en las neuronas de una capa de entrada y la respuesta puede obtenerse codificada en las
neuronas de una capa de salida. Entre ambas capas puede haber capas adicionales; las
que tienen la funcin de procesar la informacin proveniente de la capa de entrada en
la direccin de la capa de
salida.
En todos los casos de aprendizaje, la cuestin es: Cmo puedo hacer que la
red neuronal converja desde una pregunta hacia su respuesta correcta? Anteriormente dije
qu pretenda el aprendizaje.

Ahora se ver acerca de qu trata el aprendizaje: El

aprendizaje trata, entonces, acerca de cmo determinar la dinmica apropiada para ir

desde una pregunta hacia la respuesta correcta. Suponiendo que la regla de actualizacin
dinmica de cada una de las neuronas es fija, lo nico que puede variarse para lograr un
proceso de aprendizaje es la estructura de la red neuronal.

Esta es: el conjunto

formado por los valores de los acoplamientos sinpticos y de los umbrales asignados a
cada una de las neuronas.
Dado lo que pretende el aprendizaje, como el modo en que lo realiza, podemos
considerar como ejemplo de aprendizaje a cualquier modalidad de reestructuracin de
un sistema que le permita la resolucin de problemas o la adquisicin de conocimiento o
memorizacin. A continuacin veremos algunos de estos casos en una red neuronal.

MODELOS DE MEMORIA ASOCIATIVA

La memoria es la capacidad de almacenar y recordar hechos pasados. Como un hecho
podemos considerar el significado de una palabra, un rostro o cualquier situacin que en
un comienzo fue registrada en nuestra mente como la respuesta correcta a una pregunta
determinada. Una pregunta determinada puede ser considerada una provocacin ejercida
sobre nuestra mente a travs de un estmulo que impone un cierto patrn de actividad en la
red neuronal, el que debera conducirnos a la respuesta correcta.

Considere la

figura
siguiente como una pregunta acerca de cul es el
personaje:

Figura 9.2

Seguramente usted ha respondido correctamente de quin se trata:

Figura 9.3

Como se ve en la siguiente figura, pudo haber distintas entradas de datos o preguntas

acerca de cul es el personaje y determinando todas ellas a la misma respuesta:

Figura 9.4

Por cada entrada de datos (o figura) podra codificarse una secuencia de dgitos
binarios; tantos como fuesen necesarios para representar la informacin de la
misma. Como ya se ha dicho, una red neuronal podra representar a dicha secuencia si cada
neurona activa representase al dgito 1 y cada neurona inactiva representase al dgito -1.
En

la

red neuronal, el problema de recordar un objeto, quedara definido por la

capacidad de tender hacia el estado que representa al objeto evocado, a partir del estado
que representa al objeto que evoca o a la informacin de entrada. En el caso del pato
Donald, el objeto que evoca correspondera a cualquiera de las figuras distorsionadas o
incompletas que permiten la convergencia al objeto recordado. El modo como se puede
codificar una porcin de la imagen en un a red neuronal es a travs de la notacin
binaria. Una secuencia de signos binarios puede representar tanto a la intensidad como a
la tonalidad de un color en una regin pequea de una figura.

Esta secuencia puede

codificarse sobre un grupo de neuronas. Del mismo modo, distintas zonas de la misma
imagen podran codificarse sobre

otros grupos de neuronas.

Lo importante es que, dada una imagen, sta se pueda

representar a travs de un estado de la red neuronal y viceversa. Esto es, que, dado un
estado de la red neuronal, se cuente con la informacin para reconstruir la imagen. En
general, en los sistemas biolgicos esto ltimo no se cumple, puesto que mltiples estados
externos pueden causar un mismo estado interno (por ejemplo, poseemos una capacidad
limitada para discriminar el color de luces monocromticas de frecuencias distintas.
Adems, considrese el fenmeno de la percepcin).
Para mostrar un ejemplo sencillo, supngase que tenemos una red neuronal sobre
la que codificamos una letra a travs de un patrn de actividad que la representa
fielmente. Para hacer la numeracin de las neuronas ms sencilla, supongamos que las
enumeramos de
izquierda a derecha y de arriba hacia abajo, de la siguiente
forma:

Figura 9.5

Podramos codificar la letra T (en blanco) del siguiente modo:

Figura 9.6.

Dada la numeracin de neuronas que hemos asumido, el patrn de estados activos

e inactivos quedar descrito por la sucesin: (1, 1, 1, -1, 1, -1, -1, 1, -1)
Supongamos que dicho patrn ha sido memorizado (almacenado). Esto significa que
habr patrones que sern reconocidos como similares. Dicho caso ser identificado con el
acto de recordar.
En el ejemplo siguiente, el patrn de la izquierda es capaz de converger o evocar
al patrn de la derecha que representa a la letra T:

Figura 9.7
O, lo que es lo mismo, el estado (1, 1, 1, -1, 1, -1, -1, -1, -1) tiende hacia el estado (1, 1, 1,
1, 1, -1, -1, 1, -1). Podra haber estados intermedios, por los que la red deba pasar antes de
llegar al estado correcto (el recordado).
Supongamos que se ha almacenado otro patrn, tal como la letra O. En este caso,
podr haber patrones de inicio que converjan a una letra y no a otra.

En el caso

siguiente, la red podra converger hacia el estado que representa la letra O y no

hacia el que representa a la letra T:

Figura 9.8

Qu hace que una sucesin converja hacia alguna y no hacia otra diferente?
La respuesta es simple: los acoplamientos sinpticos y los valores de los umbrales. Vale
decir, la arquitectura de la red neuronal. El determinismo estructural del que se habla en
biologa. Debiendo hacerse notar que la estructura abarca las reglas de interaccin.
En las figuras anteriores se ha omitido dibujar las interconexiones, especificando sus
pesos, y los valores umbrales.

Cuando estos parmetros son especificados

adecuadamente, dado que ya conocemos una regla dinmica que los utiliza, se pueden
obtener las convergencias indicadas.

Para el problema de memoria asociativa, hay

mltiples reglas para asignar estos parmetros. Al proceso de asignacin de parmetros,

dependiente de los patrones que quieren ser recordados, se le denomina aprendizaje.

Lo

interesante es que ya se ha establecido un lmite terico para este tipo de patrones: El

nmero de patrones (si se quiere, letras), no puede ser mayor que el doble del
nmero de neuronas!!.

En el ejemplo anterior, ya vimos que pretendimos recordar

dos patrones (las letras T y O) para un total de 9 neuronas. Muy por debajo del lmite
terico.
Este tipo de redes que implementan la memoria asociativa poseen tres
cualidades propias de los sistemas neuronales biolgicos: el almacenamiento es
distribuido, dado que la representacin de los patrones hace uso de toda la red. Adems, el
sistema completo ser resistente a fallas, lo que se conoce como estabilidad estructural.
Pueden cortarse sinapsis y modificarse umbrales y, sorprendentemente, la red continuar,
por mucho, convergiendo desde los patrones binarios que codifican el estmulo hasta los
patrones almacenados correctos.

Esto se ha demostrado a travs de numerosas

simulaciones computacionales y se debe principalmente, dada la naturaleza de los clculos

incluidos en los algoritmos de aprendizaje, a que los patrones aprendidos

estn

contenidos en todos los pesos sinpticos y umbrales de la red neuronal. As es que el

almacenamiento de un patrn no se daa con el corte o la destruccin parcial de una
interconexin, como probablemente ocurrira en un sistema de cmputo electrnico
digital. Por ltimo, la actualizacin de los estados de todas las neuronas podra, si se
quiere, ocurrir en forma simultnea, lo que permitira un sistema de cmputo paralelo,
mucho

ms

electrnicos.

veloz

que

uno

secuencial,

como

ocurre

en

los procesadores

MODELO DE APRENDIZAJE A TRAVS DE REDES DE NEURONAS EN

MULTICAPAS
Se considera que una red neuronal ha aprendido cuando ya no comete errores con la
reproduccin de respuestas en la capa de salida, en relacin con las preguntas que se le
presentan codificas en la capa de entrada.

Como ejemplo, veamos cmo una red

estructurada en capas es capaz de haber aprendido a sealar si una proposicin basada en

el operador lgico y es verdadera o falsa. Recordemos en qu consiste el operador
lgico y. Este operador determina que la frase p y q es verdadera slo cuando
ambas
proposiciones son verdaderas.
tabla:

Esto se representa en la siguiente

pyq

Es tentador representar esta tabla a travs de otra notacin binaria, tal que V se represente
por 1 y F se represente por -1.
p

pyq

-1

-1

-1

-1

-1

-1

-1

Demos un paso ms y supongamos que cada fila de la zona sombreada representa

una pregunta y la celda contigua representa la respuesta. En una red neuronal, el valor de
verdad puede quedar representado por una neurona determinada. Ocuparemos en la capa
de entrada a una neurona p para codificar el valor de verdad de la proposicin p, y a
una

neurona q para codificar el valor de verdad de la proposicin q.

En la capa de

salida, habr una nica neurona, p y q, para codificar la respuesta al valor de verdad de
la proposicin p y q.

As, cada una de las filas de la tabla anterior puede

representarse como un estado de la red neuronal, tal como aparece en la figura siguiente.
En orden sucesivo desde la izquierda, las configuraciones de la figura corresponden con las
filas de la
tabla, de arriba abajo de la misma:

Figura 9.9. Representacin de la tabla de verdad del operador lgico y en una red
neuronal.
Como se ve en la figura, en la red aparecen indicadas las conexiones sinpticas
de las neuronas de la capa de entrada sobre la neurona de la capa de salida. Pero no se
ha especificado ningn valor de sinapsis, como tampoco ningn valor de umbral.
Hallar dichos valores, para que los estados de las neuronas de la capa de entrada
determinen el valor correcto de la neurona de la capa de salida, equivale a un proceso
de aprendizaje. Aqu no nos preocuparemos de hallar dichos valores, sino, ms bien,
demostraremos que dichos valores existen.

Tal como aparecen en la figura siguiente,

donde se especifica el valor umbral de la neurona de salida y los acoplamientos se han

especificado al interior de los cuadrados sobre las conexiones sinpticas correspondientes:

Figura 9.10.
El empleo de estos parmetros permite especificar correctamente el estado de la neurona
de salida, de modo que la tabla de estados de entrada y salida reproduzca la tabla de
verdad para el operador lgico y:
Clculo de los estados de la neurona de salida
Estado de la Estado de la Influencia sobre la neurona p y Estado de la neurona
neurona p neurona q
q
p y q
1
1
2 + 2 = 4 (Mayor que umbral 3)
1
1

-1

2 2 = 0 (Menor que umbral 3)

-1

-1

-2 + 2 = 0 (Menor que umbral 3)

-1

-1

-1

-2 - 2 = -4 (Menor que umbral 3)

-1

Lo que hemos logrado es, en base a una estructura y unas simples reglas de
interaccin, obtener una funcin.

Esta red neuronal podra solucionarnos un simple

problema de lgica: Si sabemos que Pedrito no fue al colegio, pero s hizo sus
tareas. Entonces, la afirmacin Pedrito fue al colegio e hizo sus tareas es
falsa.

Slo necesitamos un intrprete (un codificador y un decodificador) que opere

nuestra mquina lgica.

Nos ha costado mucho llegar hasta aqu para conformarnos con un ejemplo de
aplicacin tan intil.

Sin embargo, este ejemplo entrega respuestas a preguntas

fundamentales:
Si el aprendizaje es la determinacin de la estructura y la interaccin: Hay ms de
una estructura e interaccin correcta? o, lo que es lo mismo hay ms de una forma de
aprender? Segn nuestro ejemplo, la respuesta es s. Note que cualquier mltiplo de todos
los elementos del conjunto de parmetros nos sirve para representar al operador lgico
y. Ms an, existe un nmero infinito y diverso de parmetros que podran satisfacer
nuestro problema, as como tambin hay un nmero infinito de conjuntos de parmetros
que no nos serviran.
Otro aspecto interesante de nuestro ejemplo es que nos permite darnos cuenta
de que es posible codificar preguntas en una capa de entrada y obtener respuestas en una
capa de salida, nada ms que no hablaremos aqu de cmo obtener los parmetros
estructurales: pesos sinpticos y umbrales.
El incluir algunas capas intermedias, podra permitir procesar la informacin en
trnsito desde la capa de entrada hasta la capa de salida. Habr problemas que requieran
ms de dos capas de neuronas?

Efectivamente.

Uno es el del operador lgico o

excluyente (p o q es verdadera cuando slo una de ellas es verdadera).

La tabla

de verdad de esta operacin requiere del procesamiento de una capa intermedia que antes
no fue necesaria para nuestro ejemplo.

La razn: simple matemtica.

Puede darse

cuenta de que no es posible satisfacer con ningn conjunto de parmetros neuronales las 4
desigualdades

necesarias para obtener los estados de la neurona de salida correctos,

cuando se emplea una arquitectura de slo dos neuronas de entrada y una neurona de
salida. Para demostrarlo, supongamos que U es el umbral de la neurona de salida y que Wp
y Wq son los acoplamientos desde las neuronas p y q hacia la neurona de salida. Para
reproducir la tabla de

verdad

con

nuestra

red,

deben

inecuaciones de la penltima columna de la tabla siguiente:

cumplirse

las

cuatro

Estado de la Estado de la Condicin de influencia Estado de la neurona

neurona p
neurona q sobre la neurona p o p o (excluyente) q
(excluyente) q.
1
1
Wp + Wq < U
-1
1
-1
Wp - Wq > U
1
-1
1
-Wp + Wq > U
1
-1
-1
-1
-Wp - Wq < U

Podr darse cuenta de que las dos desigualdades que determinaran los estados de
+1 de la neurona de salida no pueden satisfacerse simultneamente.

Ni siquiera

interesan los valores de los parmetros. Simplemente, esta red neuronal de dos capas no
sirve para resolver nuestro problema. El problema se puede resolver si se emplea una capa
intermedia de dos neuronas con los valores adecuados de los parmetros.
mostraremos aqu. Sin embargo,

hemos demostrado

No lo

que la resolucin de

un

problema debida a una arquitectura puede no ser apropiada para la resolucin de otro
problema engaosamente parecido.

IMPORTANCIA DE LAS REDES NEURONALES

Las aplicaciones de las redes neuronales se extienden desde un amplio rango, desde la
resolucin de problemas que de otro modo requeriran de un elevado tiempo de cmputo,
hasta aquellos donde no se ha determinado un algoritmo para solucionar el problema.
En casos de diagnstico a travs de imgenes, lo deseable es obtener la categora de sano
o enfermo del paciente a travs del examen de la imagen por un experto.
Aprovechando que las redes neuronales pueden reconocer ciertos patrones como
pertenecientes a determinadas categoras, es que han sido empleadas en citodiagnstico.
El mtodo de citodiagnstico, desarrollado en los aos 20 del siglo pasado por G.
N. Papanicolau, permite detectar ciertos tipos de cnceres en estadios tempranos al hallar
clulas malignas a travs de un examen microscpico. Una muestra incluye la revisin de
unas 100.000 clulas, de las que unas pocas pueden ser anormales. La automatizacin de
este proceso se ha
diagnosticadas

logrado

digitalizando

las

imgenes

que

deben

ser

despus clasificndolas como positivas o negativas mediante su

presentacin a una red neuronal

entrenada previamente en el reconocimiento de clulas malignas por medio de un nmero

suficiente de ejemplos. La obtencin de casos positivos empleando la red es motivo de
una revisin posterior por un individuo experto, aminorando el nmero de falsos positivos.
Las aplicaciones diagnsticas tambin se extienden a la interpretacin de registros. As,
se

han

empleado

redes

neuronales

en

el

reconocimiento

de

registros

electrocardiogrficos correspondientes a individuos sanos y enfermos.

Otras aplicaciones

son: reconocimiento

de caracteres, procesamiento

de

imgenes, reconocimiento de habla, prediccin de series de tiempo (como la estimacin de

ndices de contaminacin ambiental), robtica, predicciones de inters comercial, etctera.
Enumerar todas las aplicaciones y entrar en detalles sera agotador. Lo importante es que
esta tecnologa ha surgido desde la observacin de los sistemas biolgicos.

Aunque

muchos pueden no estar de acuerdo, en algn grado an son vlidas como modelos
biolgicos. Entre otros motivos, porque demuestran cmo, a partir de una estructura e
interaccin sencilla, pueden surgir patrones de comportamientos macroscpicos ms
complejos. La gran leccin ha sido: la complejidad puede ser aparente, por cuanto puede
estar sustentada en rasgos simples de los entes microscpicos que componen el sistema.
La nica forma efectiva de abordar sistemas complejos es a travs de modelos simples,
debiendo renunciar a cierta informacin. La porcin de informacin marginada puede ser
alcanzada por algn otro modelo, el que, a su vez, marginar una nueva porcin de
informacin. Todos observamos el mundo en base a modelos. Un bilogo, en el mismo
instante en que observa una clula en un tejido, por momentos puede olvidarse del tejido.
Si afirma concentrarse en el tejido, por momentos podr olvidarse de la clula. As
registra nuestra mente los sucesos de la naturaleza, a travs de una visin
estroboscpica, que no es ms que la aplicacin instintiva, o por defecto, de modelos.
Cuando pensamos en una Tierra redonda, nos olvidamos de los Himalayas. Cuando
pensamos en los Himalayas, nos olvidamos de la Tierra redonda. La actitud del bilogo
que ignora todo lo que l considera irrelevante para la comprensin de un fenmeno, no
es diferente a la actitud del fsico que decide ignorar la rotacin de la Tierra para calcular
la velocidad de la cada de una piedra.
Sin embargo, el abuso de las redes neuronales tericas como modelos biolgicos
es ms que obvio a veces, menos obvio otras. Debo decir que hasta ahora no se ha hallado
un smil biolgico satisfactorio para la estructuracin de las redes en multicapas
conectadas en

una sola direccin, como hemos visto aqu.

Lo fascinante de esta arquitectura

de multicapas es su aplicacin y la posibilidad de ser un modelo para el estudio de

algunos paradigmas relacionados con el aprendizaje. En pocas palabras, permite poner
a prueba ciertas definiciones, como la de aprendizaje, ofrecindonos la posibilidad de
precisarlas, y revelando paradigmas nuevos, como el mejoramiento del aprendizaje
cuando se emplean ejemplos errneos o como la introduccin de fallas en el aprendizaje
producidas por el sobreaprendizaje.

Al mismo tiempo, este tipo de redes nos han

enseado que existen problemas que pueden ser resueltos sin la necesidad de saber
cmo, proporcionando slo los ejemplos adecuados para realizar un cambio estructural
favorable.

Entonces, cabe buscar otros modelos ms fieles a la realidad biolgica que

tambin lo hagan. Es algo importante en ciencia cuando se demuestra que no hay razn
suficiente para negar la existencia de algo.

10 La fsica del desorden y las redes neuronales

La ciencia es un compendio de aventuras y sorpresas.

Puede haber pocas, para una

determinada disciplina, donde no hay maravilla ni saltos conceptuales, de modo que el

progreso no es vertical, sino horizontal: ms de lo mismo. Dado que ya descubrimos
los principios que rigen la actividad de una enzima proteoltica, busquemos ms enzimas
proteolticas, purifiqumoslas, hallemos su estructura y anotmosla en el gran libro de
la ciencia horizontal.

Sin embargo, muchas veces, de una de las pginas del libro

horizontal de la ciencia, puede surgir algo sorprendente, integrador y estimulante para la

comunidad cientfica, permitindonos construir un nuevo y ms alto volumen del gran
libro de la ciencia. Quin hubiera podido imaginar que del estudio de las propiedades
magnticas de una aleacin de manganeso y cobre podran haber derivado las ms ricas
disquisiciones en torno a la estructura y funcin del cerebro humano? Las aplicaciones a
las neurociencias de dificultosas y caprichosas, aunque efectivas, herramientas
matemticas y el empleo de clculos computacionales, que haban sido aplicados con xito
al estudio de las propiedades de ciertos materiales magnticos, comenzaban a develar
hechos que asombraran a neurobilogos, psiclogos y hasta a los mismos fsicos, quienes,
en el transcurso de sus incursiones en la biologa, tuvieron la oportunidad de refinar sus
tcnicas de anlisis matemtico.
Algo que alguna vez nos ha llamado a todos la atencin cuando hemos jugado con
dos imanes de hierro es la existencia de dos polos en cada uno de ellos. Podemos observar
que cuando dos polos iguales, digamos Norte, se aproximan, ambos se repelen. Cuando un
polo Norte se pone en contacto con un polo Sur, ambos se atraen. La razn ltima de
la existencia de estos polos radica en la naturaleza de la fuerza magntica y en
el ordenamiento de los tomos de hierro.

Si una carga elctrica girase en un sentido, la

magnetizacin sera idntica, pero opuesta, a la que se obtendra si la misma carga girara
en sentido opuesto. Un modelo primario y ya abandonado por la fsica supone que en
un tomo los electrones giran en torno a un ncleo.

Este modelo incipiente todava

puede sernos til para explicar la magnetizacin de un imn de hierro.

Cada tomo de hierro puede suponerse como minsculo imn compuesto de un ncleo
positivo en torno al cul giran los electrones ordenadamente en un solo sentido.
La

magnetizacin producida por este pequeo imn es igual y opuesta a la obtenida si los
electrones girasen en sentido contrario al anterior. Cuando, para un mismo eje de giro,
los electrones giran en un sentido, se dice que el tomo est en configuracin de espn
arriba. En el caso de girar en sentido contrario, se dice que el tomo est en configuracin
de espn abajo. Supongamos que tenemos muchos tomos de hierro y que cada uno de
ellos posee los ejes de giro de sus electrones en disposicin absolutamente paralela.
Adems, supongamos que los electrones giran todos en el mismo sentido, por ejemplo,
podemos suponer que todos los tomos estn en la configuracin de espn arriba. En este
caso, tendremos que la magnetizacin de cada uno de los tomos de hierro se sumar a las
de los otros, contribuyendo a la imanacin total del imn de hierro. Podramos suponer
que la orientacin de los espines (o sentido de los giros de los electrones) se distribuyen al
azar en el trozo de hierro. En este caso, observaramos que la imanacin de algunos
microimanes formados por un tomo de hierro se anulara con la imanacin de
otros orientados en sentido inverso, con lo que el trozo total de hierro no poseera
imanacin. Para evitar lo anterior, en esto consiste la tcnica de la creacin de imanes:
alinear los espines de todos los tomos constituyentes; lo que puede hacerse a travs
de un ordenamiento forzado a travs una sacudida producida por un golpe sobre el
metal o a travs de la imposicin de un campo magntico externo, alinendose los
espines tal como la aguja de una brjula se alinea con los polos magnticos de la Tierra.
Cuando son sometidos a un campo magntico, los espines de dos tomos contiguos
pueden estar alineados en la misma direccin o en direcciones opuestas, dependiendo
del tipo de interaccin magntica que haya entre ambos.

Cuando el material

es ferromagntico, los espines se alinearn en la misma direccin. Esto es lo que ocurre

con los imanes de hierro (de ah el nombre de este tipo de materiales). Pero existe otro
tipo de materiales en los que el alineamiento de los espines debe ser inverso, es decir, los
espines de tomos vecinos deben ser paralelos, pero con distinta orientacin. A este tipo
de materiales se les denomina antiferromagnticos.
Cuando un material ferromagntico o antiferromagntico est inmerso en un
campo magntico y se somete a una temperatura sobre un valor crtico, el material estar
con los espines desordenados, sin propiedades magnticas.

Lo que puede entenderse si

consideramos que la temperatura no es ms que una medida de la agitacin molecular.

A

dicho estado se le denomina paramagntico. Bajo un valor crtico de la temperatura,

el material

asume

un

ordenamiento

de

los

espines,

naturaleza ferromagntica o antiferromagntica del material.

dependiendo

de

la

A esta fase de espines

ordenados se le denomina diamagntica.

Qu hace que los espines se ordenen?

Simplemente la disminucin de la

energa magntica del sistema. Hasta ahora, los modelos tericos han sido formulados
de modo que siempre sea posible identificar en todos los procesos espontneos la
disminucin de algn tipo de energa.

En este caso, la energa

de interaccin

magntica que debe disminuir se calcula segn la siguiente regla: supongamos que
el tomo i-simo del material est en el estado de espn Si (+1 -1, dependiendo de si
el espn est orientado hacia arriba o hacia abajo, respectivamente).

Un tomo j-

simo estar en el estado Sj. Dado que denominamos a la interaccin o acoplamiento

magntico entre ambos tomos
como Jij, la energa de interaccin magntica entre los tomos i y j (Eij ) se calcula
como:
E ij

J ij S i S j .

La expresin anterior nos asegura que cuando Jij

es positiva, los espines de dos

tomos interactuantes deben estar alineados (ambos +1 o ambos -1) para que la energa de
interaccin sea mnima, tratndose de en un material ferromagntico. En el caso de que
Jij sea negativo, los espines de dos tomos interactuantes deben estar desalineados (uno
debe valer +1 y el otro debe valer -1) para que la energa sea mnima, tratndose de un
material antiferromagntico. Para un sistema de tomos, la energa total de interaccin
magntica estar dada por la suma de todos los pares de energas de interaccin.

J1 2

J1 2

Figura 10.1. Interacciones de espn.

A: Cuando el material es ferromagntico, los espines se alinearn en la misma direccin.
B: Ocurre lo contrario (direcciones opuestas) en los materiales denominados
antiferromagnticos.
En ambos casos, la energa de interaccin se define
segn:
E1 2
J 1 2 S1S 2 .

ERGODICIDAD
Supongamos que un sistema est en un estado que corresponde a un mnimo de
energa (equilibrio estable). Cuando esto ocurre, cualquier cambio, lo suficientemente
pequeo, en el estado de equilibrio del sistema, concluir por dejar al sistema en un estado
con mayor energa, a partir del cul volver a su estado original de mnima energa (Esto
es similar a cuando una bolita est en el fondo de un valle y se le perturba haciendo que
se encarame por la falda de una montaa.

Si la perturbacin no es muy grande,

esperamos que la bolita retorne al fondo del valle). Sin embargo, cuando el mnimo de
energa puede atribuirse a ms de un estado, cabe esperar que el sistema sometido a una
perturbacin pequea retorne a cualquiera de los estados que poseen la misma energa
mnima (Continuando con la analoga de la bolita, supongamos que el fondo del valle se
representa por la topologa de una bandeja de huevos. La bolita, en este caso, al volver de
la montaa podra quedar atrapada en cualquiera de los espacios de la bandeja).
Supongamos un sistema compuesto solamente por dos tomo con interaccin
magntica igual a +2 (por el signo, se tratara de un material ferromagntico).

El

sistema puede tener los siguientes estados con sus energas respectivas calculadas segn la
definicin de energa anterior:

Estado S1

S2

E12

+1 +1 -2

+1 -1

-1

+1 +2

-1

-1

+2
-2

A
B
C
D
Figura 10.2. Distintos estados para un sistema compuesto por dos espines.

Podemos observar que el sistema posee un mnimo de energa igual a -2 y que

corresponde a dos estados: A y D.

En ambos, los espines estn alineados en forma

paralela, pero nos damos cuenta de que haba dos opciones de alineacin paralela: hacia
arriba o hacia abajo. Cul de los dos estados elegir el sistema? En el caso de una
temperatura inferior a la crtica, un material ferromagntico deber elegir si
permanecer en un estado todo hacia arriba o todo hacia abajo, pues ambos valores
poseen la misma energa mnima, pero, para pasar de un estado global a otro, deber
pasar por estados transitorios (B o C) con valores de energa mayor.

Este cambio no

ocurrir espontneamente a temperaturas bajas (como las inferiores a la temperatura

crtica), que no aseguren la suficiente agitacin de los tomos como para saltar las
barreras de energa.

Los sistemas denominados ergdicos, vagan permanentemente a travs de

estados que poseen el mismo valor de energa. En el caso que el material estuviese a una
temperatura superior a la crtica, el sistema podra vagar permanentemente a travs de
mltiples estados que permitieran obtener un mismo valor de energa.

Sin embargo,

hemos visto que a temperaturas inferiores a la crtica, la ergodicidad deja de cumplirse

(pues cada mnimo de energa tiene cautivo al sistema en un estado de equilibrio) lo que
se interpreta como un rompimiento de la simetra.
Si nuestro sistema anterior, de slo dos tomos, se tratara de un material
antiferromagntico, con un valor -2 de interaccin magntica, observaramos que
los espines deberan estar apareados en forma antiparalela para que se alcance el
mnimo de energa. El caso se muestra en la siguiente tabla, con los estados B y C
correspondiendo al
mnimo de energa:
Estado S1

Nuevamente,

en

el

orden

S2

E12

+1 +1 +2

+1 -1

-1

+1 -2

-1

-1

inducido

-2
+2

bajo

la

temperatura

crtica

(fase

diamagntica), observaramos el necesario rompimiento de la simetra del sistema.

Para redes mayores de dos tomos, recordemos que la energa debe calcularse
de acuerdo a la suma de todas las energas de interaccin magnticas, de modo que,
si se tratase de una red cuadrada, en donde slo interactan los tomos de los vrtices,
veramos el siguiente clculo de los valores de energa de interaccin de un material
ferromagntico, suponiendo los acoplamientos iguales a +2:

S3

S4

E12

E13

E24

E34

+1 +1 +1

+1

-2

-2

-2

-2

-8

+1 +1 +1

-1

-2

-2

+2

+2

+1 +1 -1

+1

-2

+2

-2

+2

+1 +1 -1

-1

-2

+2

+2

-2

+1 -1

+1

+1

+2

-2

+2

-2

+1 -1

+1

-1

+2

-2

-2

+2

+1 -1

-1

+1

+2

+2

+2

+2

+8

+1 -1

-1

-1

+2

+2

-2

-2

-1

+1 +1

+1

+2

+2

-2

-2

-1

+1 +1

-1

+2

+2

+2

+2

+8

-1

+1 -1

+1

+2

-2

-2

+2

-1

+1 -1

-1

+2

-2

+2

-2

-1

-1

+1

+1

-2

+2

+2

-2

-1

-1

+1

-1

-2

+2

-2

+2

-1

-1

-1

+1

-2

-2

+2

+2

-1

-1

-1

-1

-2

-2

-2

-2

-8

Estado S1

S2

Podemos observar que, de 16 estados posibles, hay tres valores de energa posibles, con un
valor mnimo de -8.

El estudio puede extenderse para el caso de un material

antiferromagntico, con la misma arquitectura, pero con acoplamientos magnticos -2.

Como puede verse para E = 0, un material magntico ms complejo puede presentar un
mayor nmero de estados correspondientes a un mismo valor de energa.

Figura 10.3. Una red cuadrada.

VIDRIOS DE ESPN
Existe un tipo de materiales magntico que es desordenado.

Uno de ellos es la

aleacin diluida de cobre manganeso, CuMn, en el que los tomos de manganeso,

portadores de momento magntico, estn distribuidos al azar al interior de una matriz de
cobre no magntica.

Una vez que la mezcla se ha realizado, los tomos quedan

inmovilizados. Los primeros estudios de esta clase de materiales se remontan a los aos
30.

En los aos 50 se determinaron algunas anomalas a bajas temperaturas en las

propiedades de conduccin elctrica y en la de induccin de imanacin a travs de un

campo magntico externo.

Hasta entonces, al ir enfriando un material, se conocan

solamente dos tipos de transiciones magnticas: la ferromagntica (donde los espines de

los tomos terminaban con un ordenamiento paralelo) y la antiferromagntica (donde
los

espines

de

los

tomos terminaban con un ordenamiento antiparalelo). Estas

transiciones eran tan marcadas que se identificaron como cambios de fase, tal como ocurre
en muchos otros fenmenos de la naturaleza, como la fusin del hielo. En el caso de la
aleacin de CuMn, se encontr que la transicin que deba esperarse del ordenamiento de
los momentos magnticos de los tomos no era muy marcada. Este tipo de transiciones se
pareca a aquellas observadas en materiales amorfos como el vidrio, cuando se pasa de un
estado lquido desordenado a un estado slido no cristalino, tambin desordenado.
En los aos sesenta se descubri que todos estos fenmenos de cambios de
fases paulatinos que resultaban desconcertantes eran una propiedad comn de los
materiales

desordenados y no slo de aleaciones magnticas diluidas como el CuMn.

todos aquellos materiales que exhiban propiedades de transicin similares al CuMn, se les
denomin spin glass (vidrio de espn). El trmino fue propuesto por el gals Brian
Coles. La palabra espn evocaba el magnetismo y la palabra vidrio aluda al desorden del
material.
En los aos setenta se realizaron una serie de modelos tericos para predecir las
propiedades de transicin magnticas de los vidrios de espn. Lo particular de este tipo de
materiales era que, si bien el acoplamiento magntico entre dos tomos poda ser positivo
(como en los materiales ferromagnticos) o negativo (como en los materiales
antiferromagnticos), esto dependera de sus distancia.

Esto traa como consecuencia

que poda haber muchas configuraciones globales de apareamientos de espines que fuesen
compatibles con un mnimo global de energa, alcanzadas cuando la temperatura fuese
descendiendo gradualmente. La energa todava se poda calcular con la expresin de
la suma de las energas de acoplamientos entre pares de espines. Sin embargo, se vea que,
a diferencia de los materiales magnticos ordenados conocidos antes, el nmero de
estados de mnima energa no eran dos sino muchos ms. Ms an, se encontraba que
haban valles de mnimos locales de energa que contenan mltiples valles ms profundos,
que a su vez contenan valles ms profundos. Algo as como una estructura arborescente
de los mnimos de energa.
En la vida hay intereses que resultan mutuamente incompatibles. Renunciar a ellos
por la imposibilidad de realizarlos lo denominamos frustracin.

Por ejemplo,

suponga que Pedro est en un saln, disfrutando de una fiesta a la que tambin han ido sus
amigos Carlos y Luis. Ellos se odian tanto, que por mucho que Pedro lo desee, sera
imposible encontrarse con ambos al mismo tiempo en una misma mitad del saln de fiesta.
Las interacciones de amor y de odio entre este triplete podran denotarse como si
fuese un acoplamiento magntico del tipo:
JPedro Luis = JPedro Carlos = 1 (amor)
JCarlos Luis = -1 (odio).

Como puede ver, la frustracin del grupo puede determinarse muy bien a travs de
la relacin:
JPedro Luis JPedro Carlos J Carlos Luis = -1.
La que se cumplira tambin si Pedro, Carlos y Luis se odiaran mutuamente.

J=1

J = -1

J=1

Figura 10.4. Un ejemplo de frustracin.

Suponga que el conejo est en un saln,
disfrutando de una fiesta a la que tambin han ido sus amigos el coyote y el correcaminos.
Estos ltimos se odian tanto, que por mucho que el conejo lo desee, sera imposible
encontrarse con ambos al mismo tiempo en una misma mitad del saln de fiesta. Las
interacciones de amor y de odio entre este triplete podran denotarse como si fuese un
acoplamiento magntico. Como puede ver, la frustracin del grupo puede determinarse
muy bien a travs de la relacin:
Jconejo coyote J conejo correcaminos J coyote correcaminos =
-1. La que se cumplira tambin si el conejo, el coyote y el correcaminos se odiaran
mutuamente.

Para hacer la situacin ms compleja, supongamos que se trata de un gran

nmero de personas con fuertes sentimientos recprocos de amor u odio entre ellas.
Al haber

muchos tripletes frustrados, como el anterior, seran muchas las formas de ordenar a
las personas en el saln de modo que la tensin social fuese la mnima posible.
Podramos definir una tensin dramtica como
Nmero de tripletes frustrados
Nmero total de tripletes
Supongamos que un encargado de protocolo debe ordenar a los invitados a la fiesta
de modo que las personas en el saln se sientan distribuidas lo ms cmodamente
posible en relacin a sus afectos.

El encargado de protocolo, que por lo dems era un

buen matemtico, decide definir una funcin costo que penalice cuando dos amigos
estn en lados diferentes del saln y cuando dos enemigos estn en el mismo lado del
saln.
Denotando por Sj = 1 -1 a la localizacin del individuo j en el lado derecho o
izquierdo

del saln, respectivamente,

y manteniendo

las definiciones de los

acoplamientos
anteriores de amor y de odio, la funcin (E) estara bien definida de la siguiente forma:
E

J ij S i S j ,
ij

Con

indicando la suma respecto de todos los pares de personas posibles. Minimizar

ij

esta funcin equivale a hallar una distribucin de espines para la cual E sea
mnima. Suponiendo que se trata de un nmero elevado de individuos interactuantes, se
tratara de un problema matemtico duro, debiendo resolverse ms bien a travs de
algoritmos. Desde el punto de vista de la teora de la complejidad, este es un problema
conocido como NP completo. Lo que significa que cualquier algoritmo til requerir de
un tiempo que crecer exponencialmente con la cantidad de individuos componentes del
sistema.

Es decir, cualquier computador digital quedar obsoleto para un moderado

aumento del tamao del sistema.

En un vidrio de espn, en donde hay millones y millones de interacciones, todas
de signo diferentes, la frustracin es un elemento que haba que tomar en cuenta
para la

determinacin de los mnimos de energa. En la prctica, el alto nivel de frustracin era lo

que explicaba la geografa de los valles de energa.

Energa

Estados
Figura 10.5. Paisaje de energa determinado por los distintos estados de un sistema de
vidrio de espn. En un vidrio de espn, donde hay millones y millones de interacciones,
todas de signo diferentes, la frustracin es un elemento que hay que tomar en cuenta para
la determinacin de los mnimos de energa. En la prctica, el alto nivel de frustracin es
lo que explica la geografa de los numerosos valles de energa encajados unos dentro de
otros.

DE LOS VIDRIOS DE ESPN A LAS REDES NEURONALES

Los primeros modelos tericos desarrollados consideraban que todos los espines del
material podan interactuar entre s.

Aunque esta propiedad era indeseable, facilitaba

los clculos, pero producto de esta aproximacin aguardaba una grata sorpresa a los fsicos
y a la comunidad bilogos abocados a las neurociencias.
Los dos valores posibles de los espines podan considerarse como los estados
activos e inactivos de una neurona. Una neurona que enviaba una seal nerviosa sera
considerada como un pequeo imn con orientacin hacia arriba y una neurona que no
conduca ninguna seal sera considerada como un pequeo imn hacia abajo. Esto no
significara nada si no hubiese tambin una relacin entre las naturalezas de las
interacciones.
j,

As,

las interacciones entre dos espines, denominados i y

representadas por el acoplamiento Jij, podan considerarse equivalentes a las interacciones

neuronales entre una neurona i y una neurona j.

Las interacciones positivas,

que tendan a alinear en forma paralela a dos espines, seran anlogas a una sinapsis
excitatoria. En tanto

que

las

interacciones de

signo

contrario

estaran

en

correspondencia con las sinapsis inhibitorias. El clculo de los mnimos de energa de

un sistema de vidrios de espn era similar a calcular el mnimo de algo que podra
llamarse energa, que, por comparacin, cuando se alcanzaba aseguraba que la
dinmica de la red neuronal estuviese en equilibrio.
Fue J. J. Hopfield, un fsico interesado en la biologa, quien, en 1982, public
un trabajo acerca de una regla para construir los acoplamientos a partir de los patrones que
se pretenda almacenar en una red neuronal. Esta regla se inspiraba en un hecho conocido
en neurociencias consistente en que dos neuronas tienden a reforzar sus sinapsis cuando
estn simultneamente activas. Esta regla era conocida por los neurobilogos como la
regla de Hebb. Lo indeseable de la regla de Hopfield, y de toda la teora de los vidrios de
espn, era que se consideraban acoplamientos simtricos. Es decir, las interacciones entre
dos espines son iguales en ambos sentidos. Es conocido que no es un hecho general el que
la influencia sinptica de una neurona sobre otra sea igual en sentido inverso. Es ms, la
mayora de las veces una neurona hace sinapsis sobre otra y esta ltima no posee una
sinapsis reversa sobre la primera. Sin embargo, el modelo de Hopfield era capaz de
lograr una modalidad de aprendizaje que reproduca muchas de las caractersticas de los
sistemas biolgicos que aprenden.

As, el aprendizaje y la representacin de lo

aprendido era distribuida, robusta y sincrnica.

El desuso de acoplamientos

simtricos vino con el tiempo, despus del desarrollo de modelos de aprendizajes ms

complejos, pero inspirados en el gran salto integrador de Hopfield.

Lo ms

importante, con una extensin de las matemticas de los vidrios de espines, se

haba podido calcular un lmite terico a la cantidad de patrones que pueden ser
aprendidos con una red neuronal de un tamao determinado y este lmite no era
dependiente de la regla de aprendizaje empleada. Por s misma, una red de neuronas
tericas interconectadas posea un lmite de representaciones que podan cumplir con una
condicin necesaria para ser aprendidas: la estabilidad.

Por sobre este lmite terico,

los patrones dejaban de ser estables y la dinmica conduca a la red hacia patrones no
deseados. El aporte conceptual que las redes neuronales tericas

estaban significando a las neurociencias era sorprendente. Ya se entenda cmo un sistema

interactuante (red neuronal) a travs de reglas bsicas poda almacenar informacin en
la naturaleza misma de los acoplamientos (sinapsis) entre sus unidades (neuronas).
Tambin se entenda cmo este sistema era robusto ante la degeneracin de las
interacciones (disfuncin sinptica) o la eliminacin

(muerte) de sus unidades.

El

sistema estaba limitado en s mismo en la capacidad de aprender, aunque este lmite era
muy superior a lo que podra emplearse. El aprendizaje consista en la reestructuracin de
los acoplamientos (plasticidad sinptica) y esta reestructuracin dependa de la
presentacin (percepcin) de cada uno de los patrones a ser aprendidos (objetos percibidos
por el sistema biolgico). En
pocas palabras, aprender, consistira en hallar los acoplamientos entre las neuronas
tales
que la funcin costo E

J ij S i S sea equivalente a un mnimo. A diferencia del

j ij

problema de los vidrios de espn o del problema de la distribucin de amigos o enemigos

en una fiesta, aqu ya no se trata de hallar la distribucin ptima de los estados neuronales
(o variables de espn) para que E sea mnima, con un conjunto de acoplamientos
impuestos, sino que se trata de hallar los acoplamientos para que los estados neuronales
correspondan a un mnimo.

Es as como la plasticidad sinptica determinara el

aprendizaje.
La evolucin de una red neuronal desde un estado evocador (estmulo) hasta un
estado evocado (recuerdo) depende de la relacin entre el los estados y la geografa del
paisaje de energa, en analoga con los sistemas de vidrios de espn. Son los estados
almacenados los que determinan la geografa del paisaje de energa. Tanto los sistemas de
vidrios de espn como de redes neuronales comparten el paradigma de la recuperacin
hacia un estado adecuado. Un sistema en un estado determinado puede optar por migrar
hacia uno u otro estado fundamental situados en un valle de energa, dependiendo
de la proximidad o parecido del estado inicial con dicho estado fundamental.

Figura 10.6. Los mnimos de energa corresponden a energas de estados recordados.

A: Los crculos representan la convergencia del estado de una red de espines hacia un
estado de equilibrio estable, en el fondo del valle. La geometra y la existencia misma del
valle se determinan por la naturaleza de los acoplamientos de la red de espines.
B: El estado de la red, conforme va convergiendo al estado fundamental, en el fondo del
valle, se parece cada vez ms a este estado. Del mismo modo, en un proceso de memoria
asociativa, una red neuronal puede lograr que un estado de la red converja hacia un
estado recordado, con la conocida consecuencia de que un objeto presentado a un sujeto
posea menos informacin que el objeto evocado.

Figura 10.7. Cuando se recuerda errneamente.

A: Posibilidad de evolucin errnea de un estado de un paisaje de energa de un sistema de
vidrios de espn.
B: La misma representacin anterior puede hacerse en correspondencia con los objetos
codificados por los estados de una red neuronal. Hay situaciones lmites, en las que es
incierta la convergencia a un valle apropiado u otro errneo, debido al error o carencia de
informacin presentada. Los estados fundamentales no deseados pueden aparecer como
resultado de un excesivo nmero de objetos almacenados o como simples estados espurios
de mnimos locales de energa, carentes de sentido. Se especula que el acto de dormir
liberara a nuestra mente de dichos estados espurios, por lo que en las maanas
tendramos la capacidad de recordar con mayor eficiencia.

Todos sabemos que no es generalmente vlido que las interacciones sinpticas sean
simtricas ni que los estados de las neuronas sean binarios. Ms all de la aceptacin de la
validez de los modelos tericos de redes neuronales desarrollados hasta ahora, importa lo
siguiente: desde el mundo del estudio de los vidrios de espn, se les ha susurrado al odo
de los neurobilogos: Busquen en lo simple. Las reglas de interaccin aseguran que el
todo es ms que la suma de las partes.

La complejidad de lo macroscpico puede

descansar en estructuras microscpicas con interacciones sencillas.

fundamentales del

Las propiedades

aprendizaje de los sistemas biolgicos podran descansar en estos mismos principios y

an pueden obtenerse en sistemas inertes mucho ms sencillos.

11 La estructura fractal y los sistemas biolgicos

Hace algunos aos, los matemticos comenzaron a darse cuenta de que era posible
construir estructuras en apariencia muy complejas con unas pocas lneas de cdigo que
especificaban un algoritmo para dibujarlas. Mientras ms veces se repitiera la ejecucin
de dicho algoritmo ms exactamente se podra obtener la figura. Veamos el caso de una
curva desarrollada por Helge Von Koch en 1904, conocida como curva de Koch, que se
asemeja al borde de un copo de nieve. Esta curva es la figura hacia la que converge la
sucesin de curvas generada cuando el tercio medio de cada lado recto es reemplazado
por dos segmentos, tal como muestra la figura:

Figura 11.1. Generacin de una curva de Koch.

Como vemos en la figura anterior, un segmento, que suponemos que mide longitud
1, origina 4 segmentos idnticos, cada uno midiendo 1/3, generndose, en total, una lnea
de longitud 4/3. El proceso se repite indefinidamente obtenindose en cada etapa k una
k

poligonal de longitud (4/3) . La curva de Koch se define como la curva lmite cuando
k

tiende a infinito, lo que determina un largo infinito.

Si se tuviese que describir la

curva resultante, podra creerse errneamente que hara falta una cantidad de bits
ilimitada para hacerlo, puesto que k puede ser tan grande como queramos, debiendo
describirse la curva hasta el infinitsimo. Sin embargo, habra que requerir solamente la
cantidad de bits necesaria para comunicar lo siguiente:
1) Dibuje una lnea recta. 2) En cada lnea recta, quite el tercio medio y reemplcelo por
dos segmentos de longitud igual al tercio quitado. Inserte los segmentos de tal manera
que, si no hubiera quitado el segmento del medio, los tres segmentos formaran un
tringulo equiltero. 3) Repetir el paso dos.

Si en lugar de comenzar por un slo segmento, se hubiese comenzado el proceso

de iteracin a partir de cada uno de los segmentos de un tringulo equiltero, la
figura resultante sera similar a la de un copo de nieve visto al microscopio. Como es
posible encerrar este copo de nieve en un crculo, debemos aceptar, dado que el rea
del crculo es finita, que el rea encerrada por la curva que hemos construido tambin lo
es. Es decir, hemos construido una curva de longitud infinita capaz de encerrar un rea
finita...!!

Figura 11.2. Esta figura, semejante a un copo de nieve, tiene un permetro infinito, el que
encierra un rea finita.

Otro aspecto sorprendente de una curva como sta es que es imposible trazar una
recta tangente a cualquiera de los puntos que la componen. Esto se desprende de la
forma en que ha sido construida, empleando solamente trazos rectos y vrtices en cada
etapa de iteracin.

A este tipo de figuras se les denomina estructuras fractales.

El trmino fractal

proviene de la palabra latina "fractus" (quebrado o irregular), y se propuso a finales de la

dcada del 70 del siglo pasado por el matemtico polaco Benoit Mandelbrot.
Hay estructuras y proceso fractales, dependiendo de si se trata de un objeto
geomtrico o de un registro temporal (que tambin puede considerarse un objeto
geomtrico). En general, una estructura es fractal si su forma a escala pequea es similar
a su forma a escala mayor, de modo que tiene una forma caracterstica que permanece
constante sobre una magnitud de escalas.

A esta propiedad, consistente en que

cada porcin, cuando es aumentada, puede reproducir exactamente a una porcin mayor,
se le denomina autosimilaridad o independencia de escala. Un proceso es fractal si una
variable que es funcin del tiempo sufre cambios caractersticos que son similares
independientemente del intervalo de tiempo sobre el cual fue hecha la observacin.
En otras palabras, un proceso es fractal si la grfica temporal del proceso es una
estructura
fractal.
Como un fractal es un objeto matemtico que tiene una estructura detallada a
cualquier escala con que se le observe en forma aumentada, es un patrn infinito
comprendido en un espacio finito.

Si calculamos su longitud, estimaremos que es

ilimitada.
Esto significa que la longitud no es un concepto con sentido en los fractales.
Como se vio, en la curva de Koch se puede expandir indefinidamente el nmero de
segmentos que determinan su longitud en forma aproximada. La imposibilidad de realizar
esto con los objetos reales obliga a aceptar que en ellos slo es posible la apariencia
fractal en un determinado rango de escalas de longitud.

Figura 11.3. Generacin de un Fractal de Peano. Comenzando con una lnea recta, cada
segmento de recta debe doblarse sucesivamente como aparece en la figura del nivel 1.

Figura 11.4. Tringulo de Sierpinski. En su construccin, se dibuja un tringulo

equiltero negro. Se divide el tringulo en cuatro tringulos equilteros del mismo
tamao, uno de los cules es un tringulo invertido que debe pintarse de blanco. La
operacin se repite sucesivamente con cada tringulo negro resultante.

Figura 11.5. Conjunto de Mandelbrot, visto en un acercamiento.

En 1979, Benoit Mandelbrot trabaja grficamente en el conjunto de puntos que

lleva su nombre. Lo sorprendente es que la figura que representa a dicho conjunto es
creada
usando slo la funcin

zn

zn

c , en donde los subndices sirven para indicar las

iteraciones; es decir, el nmero de veces que se ha iterado o empleado sucesivamente la

funcin a partir de un valor inicial z0. Fijando un valor de z0 igual a cero e iterando la
de magnitud mayor que 2, se dice que el
z
funcin, cuando se obtenga una nmero n 1
parmetro c deja de pertenecer al conjunto de Mandelbrot.

Un conjunto muy

relacionado con el conjunto de Mandelbrot es el conjunto de Julia: Su construccin es

anloga a la del
conjunto de Mandelbrot, slo que en este caso se fija el parmetro c y cuando el nmero
posea una magnitud mayor que 2, se determina que z0 no pertenece al conjunto de
zn 1
Mandelbrot.
Ahora toda la verdad: en realidad los nmeros z y c son nmeros conocidos como
complejos, cada uno de los cuales puede escribirse como un par (x, y), con la primera
componente (real) representndose en el eje de las X y con su segunda componente
(imaginaria) representndose en el eje de las Y.

Por este motivo es que los nmeros

complejos pueden representarse como puntos en el plano. Se define a la magnitud de

un

nmero complejo, representado por el punto (x, y), como aquel valor de la hipotenusa de
un tringulo rectngulo con catetos de longitudes x e y.
Las figuras fractales como la ltima se obtienen cuando se grafican en el plano los
puntos c o z relacionados con los conjuntos de Mandelbrot y Julia, respectivamente.
Para esto se emplea un color que represente el nmero de iteraciones necesarias para
obtener una magnitud mayor que la cota establecida (igual a 2).
Debe recordarse que, tratndose de nmeros complejos, las operaciones de suma y
multiplicacin son definidas de una forma ms general y compleja a como las
conocemos
para los nmeros simplemente reales, como consta en cualquier texto bsico de
c x, c y y
matemticas. De modo que si tenemos los nmeros complejos c
zn

nx

, z , entonces:

ny

zn

z2

z nx2

zny2

c x , 2z

nx

z cy ,

ny

recordando que la primera componente corresponde a la parte real y la segunda

. (Hay que decir
componente corresponde a la parte imaginaria del nmero complejo 1
zn
que la nomenclatura de nmero complejo con parte real e imaginaria obedece a un
acto del ms puro sadismo matemtico, cuando no a un retorcido sentido del humor.
Ninguno de estos nombres desconcertantes eran necesarios, y actualmente, y por mucho
tiempo ms, agobian a generaciones de estudiantes. La teora de los nmeros complejos
no es tan compleja y, como todo capricho matemtico, es absolutamente abordable
atendiendo estrictamente a sus definiciones, sin tener que detenernos en esa dicotoma
esquizofrnica que aflora de las denominaciones de sus partes).

UNA DEFINICIN MS RIGUROSA DE UN FRACTAL

Para lo que sigue es necesario aclarar el concepto de dimensin. La definicin ms fcil
no ser la ms completa, pero optar por ella.

En una primera aproximacin al

trmino, la dimensin se trata del nmero de valores reales que se necesitan para
describir cualquier punto en el espacio. Teniendo en cuenta lo anterior, se han definido
varios tipos de dimensiones.
La dimensin topolgica depende de las fronteras que tiene un espacio determinado.
Diremos

que

un

cubo

es

tridimensional

porque

est

limitado

por

caras

bidimensionales. Sus caras son bidimensionales porque estn limitadas por lneas
unidimensionales. Estas lneas son unidimensionales porque estn limitadas por un punto
en cada extremo, los que, por definicin, son de dimensin cero.

Con esta definicin, la

dimensin de una circunferencia y el borde de un cuadrado es la misma, 1, pues

ambas limitan a una superficie. Desde un punto de vista topolgico, un segmento de
recta tambin sera de dimensin 1, pues puede deformarse para encerrar una superficie.
Si se tiene en cuenta que a cualquier punto de una lnea curva se le puede asignar
un punto en una lnea recta y viceversa (relacin biunvoca), podr entenderse por qu
ambas lneas poseen la misma dimensin topolgica (dimensin 1). Del mismo modo,
cualquier superficie curva poseer la dimensin topolgica del plano (dimensin 2),
porque es posible establecer una relacin biunvoca entre los puntos de ambos espacios.
La idea se extiende a espacios de cualquier dimensin topolgica. Es interesante que el
movimiento de un punto en un espacio de una dimensin determinada puede representarse
con el movimiento de un punto asociado perteneciente a un espacio diferente, pero de
igual dimensin topolgica.

Figura 11.6. El espacio de la superficie de la semiesfera hueca se pone en relacin

biunvoca con el espacio del plano. Ambos espacios poseen dimensin topolgica 2. En
este caso, la relacin biunvoca consiste en fijar una lnea en el polo de la semiesfera y
atravesar con ella ambas superficies.
En la figura anterior se representan dos espacios en correspondencia biunvoca. Se
puede observar que cualquier trayectoria del punto en un espacio se puede
representar como la trayectoria de un punto correspondiente en el otro espacio.

La

importante de esto para la ciencia es que, a veces, resulta ms fcil entender, describir u
operar sobre un fenmeno en un espacio diferente al real, obtenindose conclusiones
igualmente vlidas. Por ejemplo, en este caso podramos suponer que la trayectoria
sobre la semiesfera es tal que se describe ms fcilmente cuando se emplean coordenadas
cartesianas, propias del plano.
Para estudiar aquellas curvas que los matemticos tradicionales llamaron curvas
monstruosas o patolgicas porque resultaban difciles de medir y aparentaban tener
dimensiones intermedias, como entre una lnea y un plano, se debi definir otro tipo de
dimensin. La que veremos a continuacin. Para ello, observemos la siguiente figura:

x3

B
x3

C
x3

Figura 11.7. Efecto de la ampliacin de una figura en el aumento del nmero de unidades
(piezas iguales elementales). Para una ampliacin de 3, podemos ver cmo se determina el
aumento del nmero de unidades constituyentes: A) las unidades (lneas) aumentan 3
2
veces; B) las unidades (cuadrados) aumentan 3 = 9 veces; C) las unidades (cubos)
3
aumentan 3 = 27 veces.
Generalizando, a partir de la figura anterior, una lnea es un objeto que se
puede descomponer en n piezas iguales, de modo cada una de las piezas mide 1/n del
tamao original.

El nmero de piezas se puede calcular, trivialmente, como n = n .

Podemos imaginar que, si se tratara de observar por una lupa, diramos que n es la
cantidad de veces que se ha ampliado el segmento original.

Siguiendo el mismo

razonamiento, un cuadrado puede descomponerse en piezas cuadradas de lados 1/n

2

del tamao de los lados del cuadrado original, obtenindose n

piezas cuadradas.

Finalmente, si un cubo se
descompone en piezas cbicas cuyas aristas son 1/n del tamao original, se obtienen
3
n
piezas cbicas. Todo esto se ve en la figura anterior para n =
3.
La generalizacin puede extenderse ms aun: Si tenemos cualquier objeto y lo
dividimos en objetos menores de longitud 1/ampliacin, entonces, el nmero de piezas
se
calcula segn:

nmero de piezas ampliacin D , donde D es denominada dimensin de

Hausdorff-Besicovitch. Un simple clculo matemtico dar:

log nmero de piezas

log ampliacin

La utilidad de esta dimensin es que permite calcular dimensiones que de otra forma
no tendran sentido para aquellas figuras monstruosas que hemos visto recientemente.
Sin embargo, puesto que D puede variar en aquellas figuras complejas, dependiendo del
factor de ampliacin que se escoja, se ha definido que debe obtenerse calculndose con la
ampliacin tendiendo a infinito.
As, considerando la figura anterior:

log n1
log n

Para un cuadrado:

log n 2
log n

2.

Para un cubo:

log n 3
log n

3.

Para una lnea:

1.

Hasta aqu hemos obtenido valores de D iguales a la dimensin topolgica que ya

conocamos. Pero veamos lo siguiente:

Para la curva de Koch:

log 4 n
log 3

1,262...

Nmero de segmentos = 4

Segmento de longitud 1

Segmento de longitud 1/3

Figura 11.8. Despus de cada paso elemental de construccin de la curva de Koch, un

segmento se divide en 3, lo que significa una ampliacin de 3. Esto porque consideramos
a cada segmento de longitud 1/3 como un segmento nuevo sobre el cual aplicar
nuevamente el paso elemental de construccin de la curva. Al mismo tiempo, el nmero de
segmentos aumenta 4 veces. Considere que esto se realiza muchas veces. En cada nivel n
n
del proceso iterado de formacin de la curva, habr una ampliacin de 3 . Al mismo
n

n
tiempo, se tendrn 4 segmentos (piezas). Por lo tanto D log 4
n
log 3

Para el tringulo de Sierpinski:

1,262...

log 3 1,585...
log 2

Empleando lo anterior, una definicin matemtica rigurosa de una estructura

fractal es la formulada por Mandelbrot, como aquel conjunto para el cual la dimensin de
Hausdorff-Besicovitch excede estrictamente a su dimensin topolgica. En este caso, se
habla de de una dimensin fractal. Esta definicin es imposible de aplicar a resultados de
medicin de fenmenos biolgicos, en los que la estructura matemtica de las variables es
desconocida. Por lo tanto, obedeciendo al pragmatismo, en biologa se considera como
potencialmente fractal a una estructura o un proceso que mantiene algn grado de
autosimilaridad al variar en unos cuantos rdenes de magnitud la escala de
observacin. Para ello hay algoritmos computacionales que son capaces de extraer de una
estructura o un proceso una estimacin de la dimensin fractal, lo que caracteriza la
irregularidad o correlacin espacial o temporal.

Aplicando esta definicin, la curva de Koch sera un fractal porque su

dimensin fraccionaria es mayor que su dimensin topolgica.

No sera as con el

tringulo de Sierpinski, pues su dimensin fraccionaria es menor que su dimensin

topolgica (que es 2, pues se tratara, originalmente, de un tringulo). Sin embargo, suele
considerrsele un fractal, como a otras figuras que tampoco poseeran dimensin fractal,
pero que tambin poseen autosimilaridad.
La dimensin de Hausdorff-Besicovitch es una estimacin de la complejidad o
irregularidad de un sistema sobre el espacio o el tiempo, independientemente de la escala.

Figura 11.9. La dimensin fractal es una medida del grado de complejidad de una
estructura y es independiente de la escala de magnificacin. Mientras mayor es la
irregularidad de la lnea, o mientras ms llene el espacio, mayor es tambin la dimensin
fractal. El segmento de recta no corresponde a una estructura fractal.

Aqu slo se pretende que seamos capaces de interpretarla. Una lnea irregular, que
tienda a llenar un espacio bidimensional tiene una dimensin fractal entre 1 y 2. Un
plano que se pliegue, tendiendo a llenar un espacio tridimensional, tendr una dimensin
fractal entre 2 y 3.

LOS FRACTALES EN LA NATURALEZA

Cambiando el tipo de algoritmo recursivo, es posible obtener un ilimitado nmero
de diseos fractales.

As es como la geometra fractal permite obtener muchas formas

complejas halladas en la naturaleza. Un rbol mantiene sus caractersticas estructurales

independientemente de la perspectiva o escala desde la cual se vea.

Los ngulos de

las ramificaciones y las relaciones entre los dimetros sucesivos de las ramas parecen ser
constantes, independientemente de

si observamos un tronco principal o una rama

terminal. Una nube posee estructura fractal puesto que, a partir de una fotografa ocupada
completamente por la nube, sera imposible estimar el tamao de la misma, no
pudindose distinguir estructuralmente a una parte del todo. Lo mismo puede decirse
respecto de las lneas que demarcan una costa, o el trazado de un movimiento
Browniano, aparentando tener el mismo grado de irregularidad a cualquier escala.
Muchos sistemas fisiolgicos aparentan una estructura fractal, como los sistemas
respiratorio, circulatorio

y nervioso que presentan subdivisiones a travs de

ramificaciones sucesivas.

An no se han hallado argumentos genticos, metablicos

o biofsicos que causen estas estructuras.

Figura 11.10. Generacin fractal de un modelo de helecho. La complejidad de la

estructura fractal final obedece a un simple algoritmo de uso recursivo (para el que se
emplea un programa computacional de no ms de 30 lneas).

Figura 11.11. Generacin fractal de un modelo estructural de rbol bronquial.

La estructura fractal permite aumentar la superficie disponible para el

intercambio en el rbol bronquial, los capilares, la mucosa intestinal, los ductos biliares,
los tubos de coleccin de orina y la placenta.

En el rbol bronquial de humano, se ha

visto, independientemente de la escala, que la relacin entre los dimetros de dos

ramas de niveles consecutivos permanece constante, sugiriendo una relacin fractal. Al
modelar el rbol bronquial como una figura de varillas, sin ningn volumen, los datos
morfomtricos han permitido determinar una dimensin fractal entre 2,64 y 2,76. Estos
valores seran indicadores de una estructura fractal, extendindose entre la dimensin
topolgica y la dimensin Euclidiana. La geometra fractal de los pulmones maximiza la
superficie de intercambio para el transporte gaseoso. Los pulmones tienen un rea de
intercambio de aproximadamente 100 metros cuadrados (una cancha de bsquetbol),
mientras que el volumen total slo es de 7 a 8 litros.

En todo este proceso, se ven

involucradas tres redes fractales: arterial pulmonar, venosa pulmonar y alveolar bronquial.
Se produce una conversin de un volumen de dimensin tres (sangre en tubos vasculares
grandes y aire en el sistema respiratorio superior) a algo que posee una dimensin fractal
prxima a dos, en el sistema alveolar capilar.
Como uno ms de los innumerables ejemplos, tambin se ha hallado que las
neuronas de la mdula espinal, a medida que se desarrollan, llegan a ser cada vez ms
complejas, aumentando progresivamente su dimensin fractal desde 1,1 a 1,5.
La redundancia de las estructuras fractales las hace ms robustas y resistentes a
heridas.

Por ejemplo, el corazn puede continuar funcionando an despus de

haber sufrido un dao considerable. Coincidentemente, el corazn est lleno de redes

fractales: las arterias coronarias y las venas, las fibras que unen las vlvulas a la pared
cardiaca, los msculos cardiacos mismos y el sistema His-Purkinje. Se piensa tambin
que la estructura fractal permitira amortiguar vibraciones. En este sentido, el corazn
es una bomba tan potente que se ha sugerido que sin la estructura fractal del
sistema circulatorio no podramos existir.
En general, se ha visto que la estructura fractal de los organismos vivos estara
relacionada con la eficiencia de los procesos. Asegurando, a veces, mnimos consumos de
energa, adems de las ya mencionadas mximas superficies de intercambio y mximas
resistencias a daos estructurales.
cuerpo

Como parte de esta mejora en la eficiencia, el

humano, adems de estructuras, tambin presenta procesos fractales que seran

beneficiosos de alguna forma. Por ejemplo, se sabe que los latidos cardiacos de individuos
sanos, en vez de regulares, son ms bien caticos, pudiendo demostrarse autosimilaridad a
distintas escalas. La relacin entre los procesos caticos y la estructura fractal se trata en
un captulo posterior.
Tambin podra haber una relacin de las estructuras fractales con los
fenmenos asociados al crecimiento y al desarrollo.

Una regla general para los

sistemas biolgicos podra ser su manifestacin de un modo aparentemente complejo,

siendo que obedeceran a una serie de instrucciones simples subyacentes ejecutadas en
forma recursiva.
Al respecto, la embriologa ha logrado determinar que el desarrollo a partir de
un huevo fecundado depende del establecimiento de gradientes de sustancias proteicas
conocidas como morfgenos y que, dependiendo del lugar donde se encuentren, permiten
la expresin o represin de ciertos genes. A su vez, una combinacin de morfgenos
distintos puede significar una combinacin de expresin o represin de distintos genes
otorgando un fenotipo ms complejo. Cada vez que un embrin crece y cada vez que se
expresan ms genes, el patrn de gradientes se hace ms complejo, lo que
determina

una retroalimentacin positiva de la complejidad fenotpica aparente (si

tenemos en cuenta que todo surge de principios simples).

Habra una similitud

extraordinaria en los mecanismos bsicos que operan en el desarrollo temprano de

distintos animales a partir de clulas, as como un gran parecido de los genes de
expresin temprana y de los morfgenos. En estados ms avanzados, cuando la masa
de tejido es mayor y se dificulta el establecimiento de gradientes, jugaran un rol
importante en el desarrollo las seales intercelulares.

Ya comenzara a vislumbrarse la

respuesta a una de las preguntas ms fundamentales de la biologa: Cmo surge la

complejidad a partir de una simplicidad inicial?

La teora fractal es una forma de

explicar esta transicin en distintos sistemas. Queda por ver si tiene alguna incidencia
en los fenmenos del desarrollo y la expresin gnica, o si hay otras teoras
involucradas.
Es posible que la capacidad del genoma de codificar redes complejas de tipo
vascular, bronquial y neuronal est relacionada con la estructura fractal de las
mismas. Estos cdigos de construccin probablemente no seran como los algoritmos
recursivos

vistos aqu, pero su expresin, en conjunto con la influencia del ambiente,

determinara procesos recursivos para la formacin de un sistema ms complejo.
En la medida en que se ha ido desarrollando la tcnica, ha sido evidente
que aquellos sistemas biolgicos que no aparentan continuidad ni homogeneidad pueden
mantener algn grado de correlacin temporal y espacial. El anlisis fractal permitira
caracterizar, comparar y relacionar sistemas fisiolgicos muy diversos, incluso con
sistemas no biolgicos, demostrndose una vez ms la integracin de la naturaleza.

12 Sistemas dinmicos en biologa

Cuando estudiamos biologa, fsica o economa, puede parecernos que estamos frente a
disciplinas que no tienen nada en comn. Sin embargo, cuando aprendemos a pensar
en forma sistmica, nos damos cuenta de que los razonamientos, anlisis, concepciones y
descripciones en un objeto de estudio de una disciplina pueden ser vlidos para
otros objetos de estudios de otras disciplinas.

Esta visin holstica del mundo surge

cuando somos capaces de desarrollar un nivel de abstraccin apropiado. La abstraccin de

la realidad, entendida como la capacidad de extraer de la realidad elementos ideales slo
en la mente del individuo y que forman parte de un formalismo terico, puede afianzarse
y comunicarse entre los humanos cuando se ha desarrollado el lenguaje apropiado. Por
lo mismo, paciencia, porque debemos definir una serie de trminos antes de observar
qu tiene en comn una clula con un pndulo o con la fluctuacin del valor de las
acciones en la bolsa de comercio.

SISTEMA
Podemos referirnos a una parte concreta del universo (o si se quiere a una parte
del universo concreto), que incluya fronteras de la cosa en estudio: por ejemplo, un
reloj de arena. Tambin podemos referirnos a una parte abstracta del universo (o si se
quiere, a una parte del universo abstracto), tal como a una esfera, sabiendo que no
existen las esferas perfectas en la naturaleza, por lo que no existen las esferas. Por ltimo,
podemos referirnos a una parte del universo que se nos manifieste como mixto, entre lo
concreto y lo abstracto, como un tablero de ajedrez y las reglas que ste incluye. As, en
este caso, podemos visualizar un conjunto de partes, con lmites bien definidos, pero las
partes tienen una relacin formal precisa entre s, debiendo someterse a reglas que
deben ser consideradas como partes del sistema. Visto de este modo, definimos a un
sistema como aquella parte del universo (concreto, abstracto o mixto) que estudiamos,
por lo que cada uno de los casos anteriores puede ser considerado como un sistema.

ESTRUCTURA
Tomemos nuevamente el ejemplo del tablero de ajedrez. Posee una estructura, definida
por dos aspectos fundamentales: la composicin (forma, naturaleza material y disposicin
espacial de sus partes) y las reglas de interaccin. Composicin e interaccin son dos
conceptos inherentes a la estructura de todo sistema.

En el caso de los sistemas

completamente naturales, como dos cuerpos en medio del espacio, la composicin

incluir la forma, la densidad de masa correspondiente a cada cuerpo y la distribucin
espacial de ambos. La interaccin estar dada por la aplicacin de la ley de gravitacin
universal, la que nos dice que dos masas puntuales se atraern en proporcin directa al
producto de sus masas y en proporcin inversa al cuadrado de la distancia que las separa.
Podemos considerar que la interaccin en cualquier sistema no es ms que la relacin
obligada entre las partes. Esta relacin de obligancia (es entretenido inventar palabras)
puede ser natural, para un sistema concreto o abstracto, como en el caso de la ley de
gravitacin universal o como la relacin entre el dimetro de una esfera y la extensin de
su superficie, o puede ser arbitraria, como las reglas del tablero de ajedrez.

EVOLUCIN DE UN SISTEMA.
Dinmica
La dinmica no es ms que el presente, el pasado y el futuro de un sistema.
quiere

Si se

expresar de otra forma, la dinmica es la forma como evoluciona un estado, es la sucesin

temporal de todos los estados del sistema.

Esto es lo que permite encontrar

semejanzas entre sistemas aparentemente dismiles: Dos sistemas de naturaleza distinta

pueden tener dinmicas semejantes.

Tal como comprobamos para el caso de una

epidemia, cuya evolucin puede ser similar a la propagacin de un rumor o al curso

de una reaccin qumica (captulo 6). Como vimos que ocurra en una red neuronal y
en un sistema de vidrios de espn (captulos 9 y 10), la dinmica de un sistema se
determina por su estructura, que incluye las reglas de interaccin entre sus partes
componentes, y por las leyes que lo rigen.

Estado y grado de libertad

Un sistema puede tener ms de un aspecto en un instante dado. Un aspecto determinado
del sistema se denomina estado.

Volviendo al tablero de ajedrez, en un instante dado

podemos tener una disposicin determinada de las piezas en el tablero.

En algunos

casos, el estado del sistema es ms que una simple foto del mismo. Por ejemplo, para el
caso de una flecha que atraviesa el espacio, el estado no slo queda determinado por la
posicin de la flecha, que correspondera a la foto, sino que adems se determina por la
velocidad de la misma en el mismo instante.
El estado de un sistema se determina segn la especificacin de un conjunto de
variables. Si queremos la determinacin del estado de un sistema compuesto por una
sola partcula, debemos especificar la posicin en un sistema de ejes coordenados a travs
de la especificacin de un punto de tipo (x, y, z).

La velocidad, que indica el

desplazamiento en relacin al tiempo a travs de cada uno de estos ejes, tambin tendr
tres componentes, por lo que se especificar con la trada (vx, vy, vz). Es decir, que el
estado de la partcula se especifica con un punto en un espacio de 6 dimensiones (x, y, z,
vx, vy, vz). Si alguien siente angustia porque cree, errneamente, que debe ser capaz de
imaginarse un espacio de seis dimensiones, puede emplear su propio lenguaje diciendo
que el estado de la partcula se especificar correctamente cada vez que se especifique el
valor de seis nmeros: Tres para cada una de las componentes de la posicin y tres para
cada una de las componentes de la velocidad; todos en relacin a los ejes cartesianos. El
motivo de por qu no incluimos otras variables, como la aceleracin, es que sta puede ser
calculada, si se conocen las fuerzas y leyes fsicas, a partir de las seis variables anteriores.
Del mismo modo, con el estado conformado por los seis nmeros, podemos conocer
cualquier estado futuro o pasado de la partcula.
Como ya se insinu, la razn de esto radica en la fsica y no la ahondaremos
por ahora: Digamos simplemente que si usted est parado en un da aburrido en una
esquina del universo y ve pasar una partcula, observando exactamente su posicin y
su velocidad, usted podra entretenerse calculando el pasado y el futuro de la partcula si,
adems, conociera exactamente las influencias ejercidas por los dems cuerpos sobre ella.

Qu sucede si tenemos un nmero indeterminado N de partculas? Pues tendremos

nuevamente que es suficiente especificar el estado de cada partcula con seis nmeros, pues
cada partcula ocupar un lugar en el espacio y tendr una velocidad determinada.
As, tendremos que aceptar que el estado de N partculas est determinado por 6N
cantidades a indicar. En el caso de una partcula podramos decir que la partcula puede
elegir su estado de entre todas las posibilidades de especificar 6 nmeros. Es decir, el
sistema formado por una sola partcula tendr 6 grados de libertad. En el caso de N
partculas, diremos que el sistema de partculas tiene 6N grados de libertad. Los grados de
libertad son la cantidad de variables que debemos conocer para determinar el estado de un
sistema.
Ligaduras o restricciones
Supongamos que tenemos dos partculas libre, segn todo lo dicho, el nmero de grados
de libertad ser 2x6 = 12. Pero Qu tal si ambas estn unidas por una varilla confinada
en un plano? En este caso, el sistema se determinara por 6 variables: la posicin del
centro de la varilla (2), la velocidad de traslacin de este centro (2), el ngulo de
inclinacin de la varilla respecto de su centro (1) y la velocidad de rotacin de la varilla
(1).

Hemos demostrado con esto que los grados de libertad de un sistema disminuyen

cuando hay variables cuyos valores deben cumplir con una condicin determinada. En
este caso, se trat de dos partculas que deban estar siempre confinadas en el plano a una
distancia fija entre ellas. A estos tipos de condiciones o amarras, se les conoce como
ligaduras o restricciones.

TIPOS DE COMPORTAMIENTOS DINMICOS

Formulemos ahora la pregunta inevitable: Cuntos tipos de comportamientos
dinmicos existen? A continuacin enumerar algunos de ellos, antes de que entendamos
por qu sistemas dismiles pueden ser muy smiles.

Estados estacionarios y de equilibrio

Para comenzar, un sistema puede poseer estados denominados estados estacionarios o de
equilibrio.

Son aquellos estados que no varan con el tiempo.

Si el sistema est en

ese estado se quedar en el mismo estado por toda la eternidad.

Normalmente se habla indistintamente de estado de equilibrio y de estado
estacionario, pero se debe tener en cuenta que son diferentes dentro del marco de la
termodinmica: Si bien ambos estados, por definicin, suponen que el sistema no
evoluciona, un estado estacionario se diferencia de un estado de equilibrio en que
el primero requiere, para mantenerse, del aporte permanente de energa al sistema en
tanto que el segundo no.

En la siguiente figura se indican dos estados similares

representados por el nivel de agua en unos recipientes.

En uno de ellos el estado (de

equilibrio) se mantiene porque el sistema es cerrado, en el otro recipiente, el estado

(estacionario) se mantiene porque hay un flujo de salida de agua que es equivalente a un
flujo de entrada. En este ltimo caso hay consumo de energa mecnica.

El trmino

matemtico ms
apropiado para aludir a ambos estados, para no originar conflicto, es el de punto
fijo.

Estado
estacionario

Estado de
equilibrio

Figura 12.1. Diferencias entre un estado estacionario y un estado de equilibrio. El color

negro representa un lquido en un estanque y las flechas indican flujos de entrada y de
salida del mismo lquido. En ambos estanques el nivel del lquido es constante. El estado
estacionario requiere el consumo permanente de energa (en este caso, energa potencial
gravitatoria). En biologa, directa o indirectamente, el mantenimiento de los estadios
estacionarios requiere el consumo de la energa de hidrlisis del ATP.

Supongamos una bolita en la cima de una montaa.

Si no ocurre ninguna

perturbacin a la bolita o a la montaa, sa ser la posicin eterna de la bolita.

Diremos que est en un estado de equilibrio. Lo mismo puede ocurrir si la bolita est en el
fondo de un valle.

Al no haber perturbacin, se ser un estado de equilibrio para la

bolita. Usted ya se habr dado cuenta de la diferencia de ambos casos. En el primer caso,
el equilibrio es muy precario o inestable. En el segundo caso, el equilibrio tiende a ser
restituido despus
de una perturbacin moderada, por lo que se denomina estable.

Equilibrio inestable

Equilibrio estable

Figura 12.2. Ejemplos de equilibrios.

Cambiemos abruptamente de escenario y pensemos en un sistema bioqumico

sencillo: Usted tiene un sustrato determinado, tal como la protena de la gelatina casera
y una enzima proteoltica como la papana (la misma que hace que la papaya cruda le
parta la lengua despus de comerla).

Supongamos que ambas especies estn

separadas dispuestas en forma de polvo en extremos opuestos del borde superior de un

vaso que contiene agua. Podemos decir que estn en equilibrio, pues no observamos
ningn cambio. Sin embargo, este equilibrio es inestable, pues una pequea vibracin
mecnica en el vaso causar que los polvos de la enzima y el sustrato caigan,
disolvindose en el agua del vaso y desatndose la reaccin enzimtica. Con el tiempo,
observaremos que todo el sustrato proteico disuelto en el vaso se ha transformado en
pptidos menores y aminocidos como resultado de la hidrlisis enzimtica.

Esta

ltima situacin (ideal, por supuesto) es un nuevo estado de equilibrio, pero es fcil
identificarlo como un equilibrio ms estable que el anterior, pues es robusto frente a
perturbaciones pequeas, como otra pequea vibracin del

vaso.

Acabamos de hacer nuestra primera observacin que indica similitudes

dinmicas entre sistemas tan dismiles como uno mecnico (bolita, montaa y valle) y uno
bioqumico (vaso, agua, enzima y sustrato).
Volvamos al ejemplo de la bolita y el valle, pero suponiendo algo ms:
Supongamos que habran otros valles hacia los que tendera la bolita en caso de ser
perturbada con una fuerza mayor.

En este caso, diremos que el estado anterior que

habamos denominado estable no lo ser frente a perturbaciones mayores, denominndose

por esto un estado metaestable.

Figura 12.3. Equilibrio metaestable.

Existe analoga con nuestro modelo bioqumico de la papana? Por supuesto.

Supongamos que el sistema del hidrolizado proteico en el vaso es perturbado por una
chispa elctrica o que se mete en un crisol a un horno de altas temperaturas. Sin lugar
a dudas que obtendremos, a partir de la enzima, los pptidos y aminocidos, una
gran cantidad de CO2 y agua. El estado posterior a la combustin es ms estable que el
anterior. De hecho, es imposible que ocurra lo contrario espontneamente. Hay que
decir que la aplicacin del calor es innecesaria, puesto que la temperatura ambiente
(indicadora de la agitacin de las molculas) hubiese bastado para que ocurriese la
reaccin de combustin, aunque en unos cuantos millones de aos.
Comportamiento oscilatorio
Ya hemos visto que hay estados de equilibrio hacia donde tienden (estables) o desde
donde escapan (inestables) los estados de un sistema. Podemos observar otro tipo de
dinmica,

consistente en los comportamientos peridicos. Pensemos en un resorte unido a una masa.

En este tipo de movimiento, al no considerar efectos del roce, podemos apreciar que
el desplazamiento x de la masa, respecto de la posicin de equilibrio de resorte, y la
velocidad
x de la misma poseen una periodicidad:

Figura 12.4. Representacin de la dinmica de las variables desplazamiento y

posicin, con respecto al tiempo, en grficos separados.

Tendremos dos grados de libertad para este sistema: uno para especificar el
desplazamiento y otro para especificar cmo cambia dicho desplazamiento con el tiempo
(velocidad).

Es decir, el estado estar conformado por una dupla que nos indicar la

posicin y la velocidad
de la partcula: (x, x ).

La representacin grfica de esta dupla corresponde a un

punto sobre un plano cartesiano, cuya abscisa indica los valores del desplazamiento y cuya
ordenada indica los valores de la velocidad. Es posible graficar el punto que corresponde
a un instante posterior muy prximo, y despus el punto que corresponde a otro estado
posterior muy prximo al anterior y as sucesivamente, comenzando a distinguirse
una rbita circular sobre el papel.
Normalmente se denomina rbita a cualquier dibujo que indique la evolucin
del sistema en un espacio que represente los estados posibles. Al diagrama resultante
del dibujo esquemtico de todas las rbitas se le denomina Espacio (o Diagrama) de Fases.
En el caso del dibujo anterior, la rbita result ser peridica.

Le recuerda esta

rbita peridica a las rbitas planetarias? Le recuerda esta periodicidad a la

periodicidad de los

latidos cardiacos y de la presin sangunea? Efectivamente, la naturaleza (viva o inerte)

cuenta con un sinnmero de comportamientos peridicos que pueden describirse sobre
el papel como verdaderas rbitas planetarias.

x, x

-A

Figura 12.5. rbita peridica descrita por el estado de un resorte que oscila sin roce con
una amplitud A. Ntese que el sentido del giro asegura que, cuando el estiramiento del
resorte (valores positivos para x) alcanza su mximo valor, la masa se detiene para
comenzar a retroceder (lo que corresponder a velocidades negativas). La compactacin
del resorte se representa por valores negativos de x. El origen del sistema de coordenadas
representa el la posicin de equilibrio (desplazamiento cero: ni compactacin ni
estiramiento del resorte; al mismo tiempo que velocidad cero: ausencia de movimiento).

La periodicidad en los sistemas biolgicos requiere energa

En

los

sistemas

disipativos,

el

mantenimiento

de

regmenes

oscilatorios

es

posible solamente si se aporta energa al sistema. Es as como la masa unida al resorte

dejar de oscilar a consecuencia del roce. Sin embargo, si la impulsamos peridicamente,
podremos mantener su movimiento oscilatorio. Supongamos un evento que se propaga
a travs de una lnea como si fuese una onda, pero donde no hay aporte externo de
energa.

Es el caso de una hilera de domins que se botan unos a otros.

Al final,

obtendremos todos los domins derribados, pero ser imposible reiniciar el movimiento,
a menos que se aplique energa para levantar la hilera de domins.
propagacin del potencial de

En el caso de la

accin de una neurona, ste es posible debido a que hay una gradiente descendente de
sodio desde el exterior hacia el citosol, en conjunto con una gradiente inversa de potasio.
Cuando los canales inicos de la membrana plasmtica se abren, se originan corrientes
inicas que disminuyen moderadamente las gradientes. La corriente de entrada de sodio
es capaz de inducir la apertura de canales vecinos, producindose un efecto de reaccin en
cadena, tal como el efecto domin.

La diferencia con el caso de los domins

derribados es que el sistema restituye las gradientes inicas iniciales con costo a
molculas de ATP que se hidrolizan en una bomba de iones hecha de protena, inserta en
la membrana plasmtica, la que es capaz de sacar tres iones sodio de la clula,
intercambindolos por dos iones potasio entrantes. Como se ve, el que haya un tren
repetitivo de potenciales de accin a travs de la neurona es posible slo debido a que hay
consumo de energa, tal como el caso del pndulo al que debemos impulsar. En resumen,
nada oscila en la naturaleza viva si no hay consumo de energa.
Puntos de equilibrio atractores y repulsores de estados
Entre los distintos tipos de estados de equilibrio, destacan los estados de equilibrio
atractores y los repulsores.

Supongamos un estado de equilibrio inestable como la

bolita anterior en la cima de una montaa. Se dice de dicho estado de equilibrio que es
repulsor
porque a la menor perturbacin la bolita tiende a alejarse de ese estado de
equilibrio:

Figura 12.6. Punto de equilibrio repulsor. x representa la altura y x su cambio por

unidad de tiempo (velocidad). Para mayor claridad, las dems componentes del espacio
Euclidiano y sus variaciones no se han graficado.

Un estado de equilibrio estable, como lo hallamos en el ejemplo de la bolita en

el fondo del valle o con el movimiento de la masa unida al resorte, pero considerando
el
efecto del roce, es un punto de equilibrio atractor:
x

Figura 12.7. Punto de equilibrio atractor.

Ntese, en la ltima figura, que para las variables de la ordenada y de la abscisa

lo que se tiene es una oscilacin con una amplitud cada vez menor, hasta desaparecer
por
completo. En la figura siguiente se grafica la variable x versus el tiempo:
x

Figura 12.8. Grfico del desplazamiento versus tiempo de una masa unida a un resorte
considerando la fuerza de roce.

A este comportamiento se le conoce como una oscilacin amortiguada. No siempre

el punto de equilibrio, cuando atraiga otros estados, lo har con un modo de
aproximacin en espiral.

Hay muchos casos en que la aproximacin al estado de

equilibrio es directa, de tipo exponencial, como cuando una poblacin de bacterias alcanza
su mximo en condiciones de suministro continuo de nutrientes o como cuando decae la
actividad de un compuesto radiactivo. En estos casos se habla de constantes de tiempo
de crecimiento y decaimiento exponencial.
En la clula tambin es posible hallar oscilaciones amortiguadas. Esto se observa
en los gonadotrofos (un tipo celular presente en la hipfisis), en los que, si no se
les proporciona calcio extracelular, sus concentraciones de calcio citoslico e
intrarreticular pueden aumentar y disminuir recurrentemente, pero cada vez con menor
amplitud, hasta ser
atradas por sus valores de equilibrio, configurndose un caso de oscilacin amortiguada.

1.1
1
0.9

Concentraci n [uM]

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1

50

100

2+

Figura 12.9. Dinmica de Ca

2+
Ca extracelular.

150
Tiempo [s]

200

250

300

citoslico para gonadotrofos de rata, habiendo quitado el

Esta figura es cualitativamente concordante con la dinmica de la masa unida

al resorte con consideracin del roce, en la que se detiene completamente la oscilacin.

rbitas peridicas atractoras o repulsoras de estados

En la naturaleza tambin existen ciclos u rbitas que pueden atraer los estados del
sistema. Esto significa que un sistema que comienza en una sucesin de estados que no
son peridicos puede concluir con una sucesin de estados peridicos.

Lo contrario

tambin puede ocurrir. Puede haber sucesiones de estados que se alejan cada vez ms de
un comportamiento peridico. As, vemos que, tal como hay puntos de equilibrio que son
atractores o repulsores, tambin hay ciclos que son atractores o repulsores de la
dinmica
del sistema.
y

x
0

x
0

Figura 12.10. Ciclos lmites. Izquierda: atractor. Derecha: repulsor.

Observe la dinmica del calcio citoslico y del calcio intrarreticular de

los gonadotrofos de rata cuando se les proporciona calcio extracelular:

1.1
1
0.9

Concentraci n [uM]

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1

50

100

150
Tiempo [s]

200

250

300

2+

Figura 12.11. Dinmica de Ca citoslico para gonadotrofos de rata, habiendo una

2+
concentracin normal de Ca externo.

En este caso, el comportamiento oscilatorio de las variables termina por hacerse sostenido.
Algo similar ocurre con el calcio en interior del retculo endoplsmico (un
compartimiento intracelular de calcio).

Si se graficaran sobre un plano cartesiano las

variables calcio citoslico versus calcio intrarreticular, encontraramos que tambin existe
un comportamiento finalmente peridico en torno a una rbita peridica atractora.
Muchas veces, por omisin o ignorancia, se nos ha insinuado que las reacciones
qumicas y bioqumicas no son ms que la sucesin montona hacia un estado de
equilibrio.

En contraposicin, es interesante constatar que pueden observarse

comportamientos qumicos oscilatorios. Este comportamiento oscilatorio, ya sea absoluto

o amortiguado, puede observarse no slo con homogeneidad espacial, sino tambin con
heterogeneidad espacial. Hace casi un siglo que se ha podido observar un cierto tipo de
reacciones qumicas que, en una placa de Petri pueden describir ondas concntricas, hasta
alcanzar el estado de equilibrio. Lo sorprendente es que en las ltimas dcadas se han
descrito ondas similares en clulas musculares y en ovocitos de Xenopus, entre otras

clulas.

En dichos casos, se trata de calcio libre citoslico que aumenta y disminuye,

propagndose dicho cambio en frentes que constituyen ondas.

El calcio es un mensajero intracelular que gobierna muchos procesos
fisiolgicos, como contraccin muscular, secrecin, expresin gnica, activacin
enzimtica y fecundacin. La importancia de las ondas y de las oscilaciones de calcio
radica en que pueden tener una frecuencia caracterstica.

Como es bien sabido,

la sintona FM (Frecuencia Modulada) de las radioemisoras basa las comunicaciones en

las distintas frecuencias empleadas en la transmisin. Esta codificacin del mensaje en
base a la modulacin de frecuencia, y no a la amplitud modulada (AM), es la que emplea
la neurona cuando descarga rfagas de potenciales de accin.

Mientras mayor es el

estmulo en el receptor, mayor es la frecuencia de las descargas de potencial de la

neurona. La razn por la que la naturaleza elegira codificar en base a frecuencia y no en
amplitud es porque tcnicamente el ruido o las interferencias en el mensaje pueden ser
ignorados ms fcilmente en el primer caso.

LA COEXISTENCIA DEL CAOS CON OTRAS DINMICAS EN UN MODELO

DETERMINISTA SIMPLE
La naturaleza est llena de comportamientos dinmicos complejos que son el resultado de
ecuaciones no lineales.

Ejemplos de ellos son el devenir del clima, la turbulencia de

un fluido de movimiento rpido y los patrones de actividad elctrica de la corteza

cerebral. Los comportamientos dinmicos pueden estudiarse y describirse de modo
general, de modo de hacer extensible sus conclusiones a sistemas de naturaleza muy
diferente.

Esto mismo permite que sea til seleccionar los sistemas no lineales ms

simples posibles para realizar los estudios dinmicos. Aqu estudiaremos un modelo de
crecimiento de una poblacin en perodos fijos, que pueden ser de un ao, y que puede
usarse en forma recursiva. Es tan simple este modelo, que la nica dificultad en su
estudio es la realizacin de numerosos clculos elementales de aritmtica, pudiendo
emplearse una calculadora de bolsillo. Se mostrarn nuevos conceptos dinmicos y se
reforzarn algunos ya expuestos.
Se trata de una ecuacin desarrollada por P. F. Verhulst en 1845 para describir el
incremento de la poblacin de los animales:

xn

rx n 1 xn ,

a menudo denominada ecuacin de diferencia de logstica; donde un subndice como n

puede indicar el ao en el que una poblacin de insectos posee una poblacin xn. Al ao
siguiente, la poblacin es xn+1, y se calcula segn la funcin dada.

La poblacin es

una poblacin relativa, y flucta entre los valores 0 y 1. El parmetro r es un nmero

positivo que depende de la bondad del medio para acoger la especie y de la naturaleza
misma de la especie. La ecuacin es no lineal porque contiene un trmino cuadrtico en
xn. De su estudio pueden derivarse importantes consecuencias filosficas acerca
de

nuestra concepcin de la dinmica del mundo; tratndose de dinmica de sistemas

econmicos, cosmolgicos, biolgicos, sociales o de cualquier otro tipo.

Es por esto

que, en algunos pases, este modelo se ha comenzado a ensear en cursos de secundaria.

Para validar el modelo, a continuacin se deduce la ecuacin anterior.
La poblacin de insectos en una isla
Hay muchas poblaciones biolgicas que consisten de una nica generacin que no se
traslapa con las generaciones sucesivas. Imaginemos una poblacin de insectos en una
isla, los que se aparean en el verano, dejan sus huevos antes de morir por el fro del
invierno, los que eclosionan en primavera, quedando en el verano siguiente solamente
individuos de esta ltima generacin.

Como se trata de una isla muy especial, no

consideraremos fenmenos de migracin ni tampoco de la participacin de otras

especies. Para contrastar las predicciones de nuestro modelo, nuestra labor se limitara a
ir todos los veranos a dicha isla a contar la poblacin de insectos.

El modelo de

crecimiento ms simple es el
siguiente:
Pn

rPn ,
1

donde Pn hace referencia a la poblacin de insectos y su subndice n es un indicador de

la generacin correspondiente. r es una constante que, si fuese mayor que 1, determinara
que la poblacin creciera indiscriminadamente y, en caso contrario, no determinara
ningn crecimiento. Se necesita mejorar la funcin con un factor de crecimiento que
disminuya con la poblacin, por lo que un modelo ms completo sera:

Pn

Pn r bPn ,

con b un parmetro constante positivo. El segundo miembro de la ecuacin es igual a

rPn

bPn , en donde el primer trmino corresponde al crecimiento natural de la poblacin

y el segundo trmino corresponde al decrecimiento debido a la propagacin de

enfermedades,
el agotamiento de nutrientes o la sobrepoblacin.
parmetros
r

Para disminuir la cantidad de

xn .
de dos a uno, se puede realizar un cambio de escala para la variable Pn, tal que
b
Pn
Introducido este cambio de variable en la ecuacin anterior:

r
xn
b

r
xn r
b

se obtiene la ecuacin:

xn

la misma que queramos fundamentar.

xn
debe pertenecer al intervalo 0
4.

xn

r
b xn ,
b

rx n 1 xn ,

Como no puede haber poblaciones negativas,

1 y r debe pertenecer al intervalo 0

Variacin de la dinmica con el cambio de parmetros: estabilidad estructural

Para un determinado valor del parmetro r (que distingue una naturaleza biolgica de
otra), se obtiene una secuencia de valores para xn, al usar iterativamente la ecuacin de
logstica. A la secuencia temporal o evolucin de una variable se le denomina rbita (x0,
x1, x2, x3). La siguiente tabla, cuyas representaciones grficas son mostradas ms
adelante, representa cuatro rbitas distintas hasta n = 16, dependiendo del valor
del

parmetro

0,750000):

r (arbitrariamente, en todos los casos la condicin inicial es x0 =

n
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

r = 0,8

2,1

3,2

3,7

0,750000
0,150000
0,102000
0,073277
0,054326
0,041100
0,031528
0,024427
0,019065
0,014961
0,011790
0,009321
0,007387
0,005866
0,004665
0,003715
0,002961

0,750000
0,393750
0,501293
0,524996
0,523688
0,523822
0,523808
0,523810
0,523810
0,523810
0,523810
0,523810
0,523810
0,523810
0,523810
0,523810
0,523810

0,750000
0,600000
0,768000
0,570163
0,784247
0,541452
0,794502
0,522460
0,798386
0,515091
0,799271
0,513398
0,799426
0,513102
0,799451
0,513054
0,799455

0,750000
0,693750
0,786105
0,622132
0,869810
0,418989
0,900718
0,330874
0,819166
0,548092
0,916442
0,283330
0,751300
0,691339
0,789541
0,614814
0,876226

Ntese que para r = 0,8 se obtiene la convergencia a un valor igual a cero. Este
valor representa un punto de equilibrio estable, por cuanto cualquier poblacin inicial
converger a dicho valor. Por lo mismo, a este tipo de puntos se les denomina punto
fijo atractor, fijo, porque si el sistema est en dicho estado no evolucionar (xn+1 =
xn) y
atractor porque a l convergern todas las rbitas.

xn

1,0
0,8
0,6
0,4
0,2

0,0

0
n

10

12

14

16

Figura 12.12. Grfico de los iterados de xn para r = 0,8. Se puede demostrar que el
comportamiento dinmico final es independiente de la condicin inicial.

El tipo de comportamiento final de cualquier rbita cuando r pertenezca al intervalo 0 r

1 ser siempre el mismo: todas las rbitas convergern al punto fijo x = 0. Es decir,
el comportamiento dinmico final es independiente de la condicin inicial.
Cuando r pertenece al intervalo entre 1 < r

3, el comportamiento final vara

cuantitativamente en forma continua: en este rango, mientras mayor es r, el punto fijo

1 1/ r . As, para r = 2,1, tambin se tiene un punto fijo
atractor crece, con valor x
atractor, esta vez igual a 0,523810.

xn

1,0
0,8
0,6
0,4
0,2

0,0

0
n

10

12

14

16

Figura 12.13. Grfico de los iterados de xn para r = 2,1. Se puede demostrar que el
comportamiento dinmico final es independiente de la condicin inicial.

La propiedad que hemos visto hasta aqu que indica que el comportamiento
cualitativo del sistema admite pequeas perturbaciones de un parmetro (r) sin manifestar
variaciones significativas de su dinmica final se denomina estabilidad estructural.
Los sistemas biolgicos, en general, poseen la propiedad de ser estructuralmente
estables. Esto asegura que si vara la temperatura ambiente dentro de lmites normales o
si vibra la silla en la que estoy sentado no ver alterada significativamente mi
funcionalidad. Un caso que considero interesante es la estabilidad estructural del
sistema nervioso: Un individuo podra pensar con casi la misma eficiencia si perdiera
unas cuantas neuronas o si recibiera un martillazo (moderado) en la cabeza.

Esta

estabilidad estructural, que aqu se evidencia como tolerancia a las fallas, no es trivial y
es difcil de lograr tecnolgicamente.

Si no lo cree, haga la prueba de continuar operando su computador despus de

haber cortado al azar alguno de sus cientos de cables.
Para r = 3,2, la rbita posee un comportamiento finalmente peridico. Sea cual
sea el valor inicial, puede hallarse que para este valor de r la poblacin de insectos
siempre acabar teniendo los mismos dos valores consecutivos.

A esto se le conoce

como una
rbita peridica de perodo 2, y, como se ve, tambin es de naturaleza atractora.
xn

1,0
0,8
0,6
0,4
0,2

0,0

0
n

10

12

14

16

Figura 12.14. Grfico de los iterados de xn para r = 3,2. Se puede demostrar que el
comportamiento dinmico final es independiente de la condicin inicial.

En

nuestro

modelo,

la

aparicin

de

comportamientos

finalmente

peridicos comienza a partir de r mayor que 3. Esto significa un cambio cualitativo

dramtico, por cuanto la rbita ya no acaba en un punto fijo atractor, sino que termina por
manifestar un comportamiento peridico. En la medida en que r crece, el comportamiento
final comienza a tener perodos que son el doble de los perodos anteriores. Es decir, si el
comportamiento final de una rbita era un comportamiento cclico compuesto de dos
valores, al aumentar r en una determinada cantidad, la fluctuacin cclica final
consistira en la repeticin de cuatro valores, despus de 8 valores, etctera.
Esta duplicacin de perodos culmina en r = 3.56994..., valor, despus de cul,
comienza un tipo de comportamiento ejemplificado en la dinmica para r = 3,7. En ella,
no parece haber ningn patrn regular.

xn

1,0
0,8
0,6
0,4
0,2

0,0

0
n

10

12

14

16

Figura 12.15. Grfico de los iterados de xn para r = 3,7.

A veces, empleando este modelo y distintos valores de r, para cerciorarse de la no

existencia de regularidades finales, es necesario registrar hasta ms de mil
iteraciones. En este caso, ninguna cantidad de iteraciones es capaz de asegurar un
comportamiento regular de la rbita. Esto se asemeja ms bien a un comportamiento
catico. A, pesar de ello, dado que el caos se impone a cualquier rbita, sea cual sea el
valor inicial que se emplee para generarla, se le considera tambin como un atractor. En
todos los ejemplos anteriores a ste, cualquier rbita con una condicin inicial diferente
se poda comportar finalmente de una forma caracterstica determinada por el parmetro r.
En este caso, puede demostrarse fcilmente que no es posible ni siquiera correlacionar dos
rbitas originadas de condiciones iniciales diferentes, aunque se hayan iniciado muy
prximas la una de la otra, tanto como se quiera. Esto fue para la ciencia, junto con otros
modelos caticos un vuelco espectacular, por cuanto se demostraba que era posible obtener
caos a partir de un modelo determinista.
cre el trmino caos determinista.
condiciones iniciales.

Para distinguir este caos del caos aleatorio, se

Este caos es extremadamente sensible a las

Tan sensible que, puesto que todos los datos experimentales

tienen asociado un error inevitable, sera imposible predecir el comportamiento dinmico

de aquellos sistemas reales con comportamiento catico, aun cuando se conozca
exactamente la ecuacin que describe su ley de evolucin! Con el tiempo se averigu
que el caos determinista era un fenmeno absolutamente ubicuo en la naturaleza y que
acostumbraba coexistir con otros regmenes

dinmicos de sistemas no lineales, manifestndose en ciertas regiones del espacio de

parmetros.

xn

1,0
0,8
0,6
0,4
0,2

0,0

xn

0
n

20

40

60

80

0
n

20

40

60

80

1,0
0,8
0,6
0,4
0,2

0,0

Figura 12.16. El caos se caracteriza por la sensibilidad extrema a las condiciones

iniciales.
Empleando el parmetro r = 3,7. Puede observarse que, despus de 30
iteraciones, el comportamiento de dos rbitas es absolutamente diferente, a pesar de que
sus condiciones iniciales difieren solamente en 0,000001. Figura superior: x0 = 0,750000.
Figura inferior: x0 = 0,749999.

Hay muchos informes acerca de sistemas biolgicos con comportamiento

catico. stos han consistido desde caos en la concentracin de un neurotransmisor como
la dopamina (en relacin con la esquizofrenia), caos en la concentracin de intermediarios
de la gluclisis (una va metablica para la degradacin de la glucosa) o caos en
algunas

seales componentes del ritmo cardiaco.

En estos casos, el tipo de caos puede

ser semejante al que se ha observado en la evolucin de los valores de la bolsa de

comercio, de las variables que describen el clima o de una poblacin de insectos, como en
el caso que ya analizamos.
Hemos visto que r = 3 y r = 3.56994... son dos valores para los cules cambia
bruscamente el comportamiento cualitativo de las rbitas. Esto nos muestra cmo en
la naturaleza podemos hallar fenmenos en los que hay cambios dramticos para la
viabilidad de un sistema despus de que se ha cambiado levemente un parmetro que
lo describe. Estos cambios tambin son objeto de estudios tericos.

As, se han

desarrollado teoras para explicar cmo un grano de arena es capaz de causar una
avalancha o cmo una protena pierde su estructura nativa despus de aumentar
levemente la temperatura por sobre un valor crtico.

EL CAOS Y LA ESTRUCTURA FRACTAL

Como

se

mostraba

anteriormente,

cuando

el

nmero

de

iteraciones

es

lo

suficientemente grande (un nmero muy alto de generaciones), pueden o no alcanzarse

valores finales para xn, dependiendo del valor que se asigne al parmetro r.

Esto

significa que el valor que tiende a asumir xn a un tiempo infinito puede ser slo uno
(estado de equilibrio), un nmero determinado de valores que se suceden siempre en el
mismo orden (estados peridicos) o un nmero infinito de valores que se suceden con
apariencia errtica, sin repetirse ninguno de ellos, por mucho que transcurra el tiempo
(estados caticos).

Despus de un nmero suficientemente grande de ciclos

reproductivos (n muy grande), cuando se obtengan los valores finales para xn, se puede
hacer un grfico de stos versus el parmetro r, obtenindose una figura como la que se
observa a continuacin:

Figura 12.17. Estructura fractal en la dinmica de la ecuacin de logstica.

Ntese que cuando r = 3 la curva comienza un rgimen de bifurcaciones sucesivas,
llegando a comportarse caticamente para algunos segmentos de valores de r > 3.56994...
Para valores mayores de r, aparecen algunas ventanas de estabilidad, en las que
desaparece el rgimen catico.

Pues bien, puede demostrarse que la figura anterior se trata de una estructura de tipo
fractal.

Lo curioso es que esta asociacin entre estructuras fractales y regmenes

dinmicos caticos parece ser comn en la naturaleza. La siguiente es una rbita catica
que ocurre en un espacio de dimensin 2, resultante de un modelo terico para predecir del
clima. Se considera un atractor porque funciona tal como atrayendo a las rbitas vecinas,
condenndolas a existir en una zona de rgimen catico perpetuo.

Se conoce como

el atractor de Lorenz y es citado aqu como un ejemplo ms de estructura fractal.

Podramos amplificar indefinidamente al atractor y siempre observaramos la misma
estructura.

Figura 12.18. Atractor de Lorenz, como resultado de graficar la evolucin temporal del
punto (x, z) gobernado por el siguiente sistema de ecuaciones diferenciales:
x s y

x;

rx

xz;

xy

bz.

La matemtica de los fractales originalmente se desarroll independientemente de

la dinmica no lineal. Con el tiempo, se vio que las estructuras fractales pueden resultar
de procesos caticos naturales que forman ambientes como las formas litorales, las nubes
o las formaciones geolgicas.

DINMICA CELULAR Y HOMEOSTASIS

En conclusin, todos los tipos de dinmicas que hemos visto (puntos de equilibrio, rbitas
peridicas y comportamiento catico) pueden ser los comportamientos finales de los
sistemas.

Si bien son las ms significativas, an hay otros tipos de dinmicas que no

trataremos aqu.
determinan

Todos los objetos geomtricos atractores que hemos revisado,

un comportamiento por siempre en el futuro, con cierta independencia de las

condiciones iniciales, en tanto que se mantenga la integridad del sistema; mientras que la
dinmica transiente, prxima a las condiciones iniciales y muy dependiente de ellas, es
efmera y con ella la importancia de su descripcin.

En la naturaleza, todo parece

provenir desde un pasado estructurado dinmicamente y dirigirse hacia un futuro tambin

estructurado dinmicamente. Pareciera que fusemos flujo entre repulsores y atractores.
La agrupacin de los sistemas dinmicos en base a sus comportamientos finales
cualitativamente similares permite que la teora de sistemas dinmicos tenga tan amplio
espectro de aplicaciones: Cuando estudiamos la dinmica de un sistema, finalmente,
estudiamos la dinmica de infinitos sistemas anlogos, a pesar de sus naturalezas distintas.
Sera innumerable la lista de fenmenos peridicos que se hallan en la clula o en
el organismo humano completo. Tambin lo seran los estados estacionarios descritos.
Estos estados, sumados a los comportamientos caticos, configuran la riqueza dinmica
de los seres vivos. En ningn caso mantener la vida ha consistido en mantener al sistema
quieto, sin variaciones internas. Como seres vivos, poseemos un constante palpitar que se
superpone a una incertidumbre dinmica al interior de nuestras estructuras.

Lo ms

importante: la estructura de los sistemas biolgicos no slo es espacial sino que tambin
es temporal, y la comparacin de estructuras temporales hace posible unificar sistemas de
naturaleza dismil.

Mantener esta riqueza dinmica tiene un costo energtico

permanente. Sin embargo,

sistemas

el mantenimiento

de

la

riqueza

dinmica

de

los

biolgicos, entendida como la estabilidad dinmica del sistema, no ha de

interpretarse como ausencia de cambios internos. La homeostasis debe entenderse como

el mantenimiento de los regmenes dinmicos internos, y no como el mero mantenimiento
de las concentraciones de los metabolitos, pues ya se ha demostrado que stos no
siempre estn a concentraciones fijas, sino que pueden seguir patrones dinmicos diversos.

LA DINMICA EN LA FISIOLOGA NORMAL Y PATOLGICA

Hasta hace algunos pocos aos, fruto del concepto de homeostasis, an en su acepcin ms
dinmica, se aceptaba el concepto de enfermedad como un desequilibrio o la prdida de la
estabilidad de un sistema fisiolgico.
como

Por este motivo, el empleo de la estadstica

apoyo en la toma de decisiones clnicas fue fundamental, y todava lo es. Actualmente,

se sabe que los sistemas fisiolgicos normales pueden presentar comportamientos globales
predecibles y comportamientos locales impredecibles.

Por ejemplo, globalmente, un

individuo en reposo puede poseer una frecuencia cardiaca entre 60 y 100 latidos
por minuto, pero, localmente, la frecuencia del prximo latido es imposible de predecir
con exactitud a partir del conocimiento de las frecuencias anteriores. Contrariamente a
lo que se crea antes, la prdida de variabilidad o complejidad de la dinmica de algunos
sistemas fisiolgico se ha encontrado asociada a la aparicin de enfermedades. Existen
informes que una disminucin de la variabilidad de la frecuencia cardiaca predispone a
eventos de arritmias cardiacas, muerte sbita e infarto agudo al miocardio.

Tambin

habra una disminucin de la complejidad de la frecuencia respiratoria asociada a algunas

patologas. En la evaluacin de los registros de datos, se utilizan herramientas de anlisis
para verificar la presencia de atractores caticos extraos y se estima su complejidad
midiendo su dimensin fractal, estimando la correlacin de los resultados con los
estados normales o patolgicos. Lo interesante es que todas estas relaciones, antes del
desarrollo de las teoras del caos y de fractales, no eran evidentes en la gran masa de datos
fluctuantes.
Hace unos 25 aos, se comenz a utilizar el trmino de enfermedades dinmicas.
Actualmente, se considera que este tipo de enfermedades estara producido por cambios
anmalos de la dinmica de variables fisiolgicas, habiendo casos en los que se
produciran alteraciones en el patrn cualitativo del comportamiento dinmico, como
la transicin desde un rgimen de ritmicidad normal hasta rgimen catico patolgico.
Un ejemplo, es el caso de la respiracin de Cheyne-Stokes, formada por aceleraciones y
deceleraciones irregulares de la respiracin.

Este tipo de fenmenos se ha podido

modelar matemticamente, demostrndose que es suficiente un pequeo ajuste de

parmetros normales para reproducir la dinmica patolgica en un modelo de la
circulacin de CO2.
Muchos casos de ritmos complejos y de oscilaciones anmalas se hallan en el
campo de la neurofisiologa y podran ser considerados enfermedades dinmicas.
procesos

Hay

cclicos que pueden sufrir cambios cualitativos: anomalas de la marcha,

desarreglos del ciclo sueo vigilia y enfermedades maniacodepresivas de ciclo rpido.

Pueden aparecer oscilaciones en sistemas de control nervioso que normalmente
no presentan oscilaciones: el temblor del tobillo en pacientes que sufren enfermedades
del

tracto corticoespinal, los temblores caractersticos de la enfermedad de Parkinson y las

oscilaciones paroxsticas de las actividades neuronales en una crisis epilptica. Adems,
a veces las manifestaciones clnicas de algunas enfermedades sobrevienen de forma
aleatoria, como las crisis epilpticas en los adultos.
La dinmica catica ha invadido casi todas las disciplinas de estudio biolgico.
Tambin se han llegado a determinar cambios caticos en la aparicin de frecuencias
gnicas.

Esto significa que los mecanismos selectivos de mantenimiento de la

diversidad gnica en una poblacin fluctuaran caticamente.

Se

han

hecho

esfuerzos

por

caracterizar

dinmicamente

los

electroencefalogramas (EEG) de individuos sometidos a un esfuerzo de actividad

cognitiva. Por ejemplo, Paul Rapp, en la universidad de Pennsylvania, determin que el
patrn dinmico de individuos que contaban hacia atrs de 7 en 7 pasaba de un registro
normal a un patrn ms catico (de mayor dimensin fractal).
Las ventajas selectivas de los procesos caticos pueden deberse a que el sistema
tendra acceso a un mayor repertorio de respuestas y de modo impredecible. En el mbito
cognitivo, la diversidad podra estar relacionada con la creatividad.

En el mbito

ecolgico, la diversidad se asociara con la adaptacin de una especie al medio y lo

impredecible de una respuesta se asociara con conductas de animales que huyen de sus
depredadores.

En 1976, Robert M. May sorprendi a todos publicando en la prestigiosa revista

Nature

su

artculo

Modelos

matemticos

simples

con

una

dinmica

muy

complicada. All incluy un informe de sus resultados sobre la ecuacin de logstica que
he presentado en este captulo. Adems, llam la atencin de las repercusiones que este
tipo de trabajos podra tener en disciplinas aparentemente muy poco relacionadas. Su
artculo puso a trabajar en conjunto a bilogos, matemticos, fsicos, socilogos y, no
exagero si lo digo, a representantes de casi todo el espectro acadmico.

Despus el tema

se fusion espontneamente con la teora fractal, al mismo tiempo que conquistaba el

inters de educadores, artistas y filsofos. Considerando el desarrollo explosivo de los
computadores y su masificacin, cada vez son menos los que podran tener un pretexto
material para no ser un cientfico o un artista, experimentando y creando con estas
materias. Al decir del

mismo Robert May, en un artculo suyo muy posterior Hay una cosa clara: los
sistemas biolgicos estn regidos por mecanismos no lineales. Ello significa que es de
esperar que los comportamientos caticos se presenten tan a menudo al menos como los
comportamientos cclicos o estacionarios. (.) Para la investigacin cientfica, como
para la vida cotidiana, ser muy beneficiosos que cada cual tome conciencia del hecho
de que los sistemas no lineales simples no necesariamente gozan de propiedades lineales
simples.

Parte V

EPLOGO

13 La integracin como resultado de la lgica de la vida

La integracin es, en s misma, un objeto de estudio filosfico y la pregunta relevante
en este sentido es qu es la integracin, en vez de cmo realizar la integracin. Se
trata de aprender la forma en que en el Universo subyacen arquitecturas lgicas comunes a
sistemas aparentemente dismiles.
En adelante pensemos como bilogos.
inters fuera biolgico.
preguntarnos cmo

Esto es, como si nuestro principal

Como bilogos, tampoco creo que tenga mucho sentido

integrar las ciencias bsicas con la biologa, por cuanto la

integracin no es un objetivo biolgico en s mismo sino que es una realidad por la que
debemos transitar para entender los fenmenos biolgicos en profundidad, lo que s
parece un objetivo pertinente. Por aadidura, prepararnos para entender los fenmenos
biolgicos en profundidad nos entregar como producto residual el habernos preparado
para realizar la tarea de la integracin de las ciencias bsicas.

Es lo mismo que si

queremos construir una casa y debemos emplear diferentes tcnicas y materiales.

Cuando trabajamos, no estamos pensando en que, dado que hemos usado muchos
clavos, debemos emplear tanto ms de madera y algo de material plstico para integrar
todo en lo que llamaremos casa. No es as. Simplemente actuamos pensando en la casa
que queremos, empleamos lo que tenemos y lo que sabemos, de acuerdo a nuestra
conveniencia, y, mientras ms tengamos y sepamos, ms posibilidades tendremos de
hacer nuestra casa soada.

Despus, si alguien la observa, creer que nuestro

propsito siempre fue el uso integrado de materiales y tcnicas. Eso slo es aparente.
Es como haber hecho una estatua de arena un da soleado en la playa, sin haber pretendido
su sombra.

Si nos preguntan si la sombra fue a propsito, simplemente habra que

responder: era inevitable. Lo que pasa es que sin sombra es muy probable que no haya
estatua, por eso debemos estar atentos al cumplimiento del ejercicio intelectual de la
integracin, porque l ser un indicio de que estemos entendiendo la biologa.
Para no limitar las capacidades creativas y de entendimiento, importa fomentar
la predisposicin a la integracin, as como mostrar y ensear parte de la disponibilidad
de tcnicas y recursos de orgenes diversos.
se

Eso s, esperando que la integracin no

considere como un objetivo biolgico en s mismo o como un simple slogan empleado

recurrentemente para justificar modalidades de enseanza.
El objetivo de la biologa es la comprensin de los procesos asociados a la vida.
A fin de cuentas, comprender el fenmeno de la vida misma.

Cuando recin

comenzamos a entender qu es la vida, entonces debemos darnos cuenta de que para

progresar en su entendimiento no queda ms remedio que empaparnos de los principios
del cosmos. Por eso, en la definicin de la vida estn todos los elementos que justifican
la integracin de la biologa con las dems ciencias bsicas.

LA DEFINICIN DE LA VIDA NUNCA FUE FCIL

Supongamos que definimos un sistema vivo como aqul que posee la capacidad de
alimentarse del medio, crecer y reproducirse. En ese caso, diramos que una gota de
agua est viva, porque puede crecer asimilando

la

humedad del ambiente

y,

eventualmente, debido a un golpe fortuito, dividirse en dos gotas menores, pero idnticas.
Adems, quin estara dispuesto a reconocer que un conejo macho est muerto, a
menos que est junto a una hembra con posibilidades de reproducirse?

Entonces,

convengamos en que este sistema, al que denominamos vivo, es todo aquel sistema que,
para su permanencia, debe incluir como parte integral de su estructura a una molcula de
DNA. Inmediatamente podramos objetar que hay algunos virus que no poseen DNA, y
que en su lugar poseen RNA. Y si aceptramos que un sistema poseer la condicin de
vivo si, para su permanencia, debe incluir como parte de su estructura a molculas
proteicas? En ese caso, un frasco de protenas que permanece sobre un mesn del
laboratorio estara vivo.
En el ao 1945, uno de los fsicos fundadores de la mecnica cuntica,
Schrdinger, escribi su libro Qu es la vida?, que result muy influyente en el
desarrollo de la biofsica y de la biologa molecular. Schrdinger planteaba que haba
una contradiccin entre la evolucin de un sistema fsico aislado, que deba evolucionar
hacia un estado de mxima entropa, con los sistemas biolgicos en que ocurra lo
contrario, evolucionando de lo simple a lo complejo.
organismo se alimentaba de entropa negativa.

Por lo que deca que el

Esto es una consecuencia de que el

organismo no es un sistema aislado con su entorno, sino ms bien un sistema abierto, por
lo dems no equilibrado. Lo otro que llam

la atencin de Schrdinger fue que la estructura ordenada de los seres vivos no era
similar al orden de los cristales, ya que en los cristales el orden supone una periodicidad
espacial de las unidades componentes. Casi en su totalidad, un organismo vivo posee
organizacin estructural no peridica, como puede verse en las macromolculas, los
complejos macromoleculares y los organelos, por lo que denomin al organismo vivo
como un cristal aperidico. Schrdinger se pregunta por qu los tomos son mucho ms
pequeos que los organismos?

O, en otras palabras, por qu los organismos estn

compuestos por un gran

9

nmero de tomos? (Una bacteria pequea puede contener unos 10 tomos).

respuesta

La

es que el orden necesario para los organismos vivos slo puede darse en un sistema
macroscpico.
atmicas.

A escalas mucho menores el orden se destruye por las fluctuaciones

Posteriormente Schrdinger se pregunt acerca de la estabilidad de las

sustancias genticas, formadas por C, H, N O y P, a lo largo de generaciones.

La

respuesta se encontr aos ms tarde con el hallazgo de la estructura de doble hlice del
DNA.

EN BUSCA DE UNA DEFINICIN DE LA VIDA

El cumplimiento de las siguientes caractersticas de un sistema lo definiran como
un
organismo vivo:
Ordenamiento
Todo organismo vivo posee lmites con el exterior, as como al interior de s mismo. Este
lmite, en el caso de las clulas, est demarcado por las membranas celulares. Adems
de la compartimentacin, los organismos vivos estn estructurados a partir de
unidades menores que se asocian progresivamente para constituir molculas ms
complejas, muchas de ellas polmeros: Los veinte aminocidos estndares forman las
protenas; los azcares simples, como la glucosa, forman azcares ms complejos, como
el almidn, la celulosa y el glucgeno; y los nucletidos forman el DNA y el RNA.
Durante los ltimos aos han cobrado cada vez ms importancia las consideraciones de
ordenamiento estructural microscpico que poseen las clulas.

Los modelos que

suponen que el interior de una clula es poco ms que una bolsa de molculas que

colisionan en solucin acuosa, dando lugar al conjunto de reacciones bioqumicas que

conforman el metabolismo, estn cada vez

ms en desuso. El agua en el interior de una clula tendra una estructura mucho ms

ordenada que el agua normalmente lquida, asemejndose, el grueso del medio
intracelular, ms a un gel que a una sopa. En muchos casos ha sido incluso necesario
renunciar hasta a los procesos de difusin y de movimiento Browniano en favor del
proceso de perfusin, segn el cual los sustratos enzimticos seran puestos por protenas
del citoesqueleto frente a las enzimas, como si fuese una cuchara llevada cuidadosamente
a la boca. Esto permitira explicar cmo es que altas variaciones de flujos metablicos
(hasta ms de 100 veces en las clulas musculares) no sean seguidas por variaciones
comparables de los intermediarios metablicos.

Se

descartara,

entonces,

una

aplicacin indiscriminada y ciega de una qumica de soluciones, donde se supona

simplemente que, in vivo, las enzimas colisionaban al azar con las molculas de
sustrato para que ocurrieran las reacciones; puesto que, en este caso, los cambios en los
flujos metablicos no pueden ser de un orden muy superior a los cambios en las
concentraciones de las especies reaccionantes.

As es que en el interior de cualquier

organismo vivo, an a nivel microscpico, muchas veces no slo importara el qu ni el

cundo, sino tambin el dnde, hasta un orden de magnitud molecular. Ni hablar de
lo obsoleto del modelo de membrana celular del mosaico fluido, que planteaba a los
fosfolpidos componentes de las membranas plasmticas como una masa bidimensional
agitada y carente de estructura.

Actualmente se reconoce la existencia en la membrana

celular de dominios fosfolipdicos y proteicos muy estructurados y con una alta

significacin funcional. Con lo que cada vez es ms utpica la descripcin homognea
de una clula.
Estabilidad
La estabilidad se entiende como la tendencia a mantener constante la dinmica del
medio interno a pesar de un cambio del medio externo. Esta constancia en el modo como
evoluciona el conjunto de variables que determina el sistema (como, concentraciones,
corrientes inicas o movimientos celulares) no significa solamente el mantenimiento de un
estado estacionario, pues el rgimen dinmico puede ser ms rico que eso, incluyendo,
adems: comportamientos oscilatorios, caticos, y asintticos.

Para el logro de la

estabilidad, los organismos son altamente interactivos, tanto internamente como

con

respecto al exterior, determinando circuitos de retroalimentacin y poseyendo la

capacidad de autorregenerarse permanente empleando materia y energa del medio
externo.
Adaptabilidad
Un organismo vivo posee la capacidad de adaptar su estructura y su dinmica a
nuevas condiciones de estabilidad, con el fin de realizar cambios funcionales. As, para
que se realice una contraccin de una clula muscular se necesita un gran nmero de
ajustes metablicos y mecnicos al interior de la misma. Otras veces la adaptabilidad no
es para realizar cambios en las condiciones de estabilidad, sino ms bien para afianzar las
ya existentes. Por ejemplo, puede haber mecanismos de mantenimiento de temperatura,
de energa y de volumen celular.
La adaptabilidad tambin puede ocurrir a escalas que van ms all de la duracin de
una vida y que involucran la secuencia de vidas generadas una a partir de la otra. A
esta escala temporal, la adaptabilidad se identifica con la evolucin.
Acoplamiento energtico
Muchas veces un proceso que ocurre espontneamente permite que ocurra otro
proceso que, de otra forma, no ocurrira aisladamente. Por ejemplo, el agua que cae por
s misma (proceso espontneo) es capaz de poner en movimiento una rueda de molino
que, por s misma, no sera capaz de moverse (proceso no espontneo). Todas nuestras
relaciones humanas estn marcadas por este acoplamiento entre procesos espontneos con
procesos no espontneos: la seduccin, la motivacin, el castigo, la recompensa, etctera.
La ingeniera del asunto radica en la mquina capaz de realizar el acoplamiento. Sin
artilugio que acople no hay acoplamiento.

Alguien debi tallar un sistema de aspas

conectado a la rueda del molino y ponerlo correctamente bajo la cada de agua para que
hubiese acoplamiento.
En los sistemas vivos, este acoplamiento energtico, entre lo posible y lo
imposible, para lograr un todo posible, ocurre, primordialmente, a travs de las enzimas,
las que permiten que un intermediario metablico se genere a partir de una reaccin
qumica espontneamente y que este intermediario sirva para poner en marcha una
segunda reaccin qumica que, de otro modo, jams ocurrira (no espontnea). Y es que la

autoestructuracin de los organismos vivos no es espontnea, porque no vemos que

ocurra, por ejemplo, una

sntesis de los biopolmeros mencionados antes slo porque pongamos las unidades
monomricas en un tubo de ensayo.

Esto ocurre cuando acoplamos procesos

espontneos (energticamente cuesta abajo) que son capaces de interactuar a travs de

algunos de sus componentes con algunos de los elementos involucrados en el proceso no
espontneo (energticamente cuesta arriba), forzando el cumplimiento de la reaccin.
Al final, los sucesos metablicos cuesta abajo (catabolismo) se acoplan con los sucesos
metablicos cuesta arriba (anabolismo) para dar forma al sistema vivo.
Empleo de un programa
Nada de lo anterior ocurrira si no se contase con un programa. Todo organismo vivo
es portador de un programa, codificado en sus cidos nucleicos (DNA o RNA, en el caso
de algunos virus) y que permite que los organismos originen organismos idnticos o muy
similares.

El cdigo en el que se cifra el programa es el mismo para todas las

especies sobre la Tierra. Este programa es portador de una informacin bsica que deber
complementarse con la informacin del medio donde se expresen las molculas que
codifica.

De hecho, el problema mismo de por qu una neurona es diferente a una

clula muscular radica en cmo este material gentico que constituye el programa se ha
integrado con el medio, paulatinamente, a travs de los estados del desarrollo.

La

capacidad de variar el programa a travs de la secuencia de generaciones sucesivas,

logrando una mejor adaptacin al medio, es determinante de la evolucin.
Con todo lo dicho, la siguiente es una definicin compacta de lo vivo:

Un

organismo vivo es un sistema abierto, estable, heterogneo espacial y temporalmente,

compartimentado, ordenado y alejado del equilibrio debido a un consumo de energa
permanente.

Se rige fuertemente por un programa cifrado en un cdigo compartido

por toda la diversidad de este tipo de organismos. Todos ellos se componen por la misma
clase de

unidades

moleculares

simples,

las

que

se

reagrupan

conformando

estructuras moleculares ms complejas cuya diversidad, inestabilidad local, flexibilidad e

interaccin, les confieren ms adaptabilidad y ms diversidad (He descartado los rasgos de
autorregulable y autorreproductivo para incluir, respectivamente, a las clulas que se rigen
por seales hormonales externas y a los conejitos solitarios). Un organismo vivo es
un

sistema histrico, en el sentido que es el resultado de un desarrollo filogentico, a lo

largo de generaciones previas, y de un desarrollo ontogentico, desde su comienzo
(nacimiento) hasta su fin (muerte).
Tal vez no sea la definicin ms romntica, pero, para eso, para entender
cmo desde esta visin reduccionista podemos remontarnos a los fenmenos del amor y la
conciencia, har falta un enfoque cada vez ms sistmico para el cual la ciencia recin
comienza a prepararse.

En donde los fenmenos surjan a partir de un determinismo

estructural, pero reconociendo que las propiedades del todo ni siquiera se atisban en
las propiedades de las partes que lo determinan.

Cuando la vida resuelve sus propios problemas por todos los medios posibles
a travs de una manifestacin continua, irrestricta, en armona con los principios del
cosmos; cuando lo que resulta ni siquiera tiene nombre; entonces, al ver en una misma
clula todos los principios del Universo que osadamente rotulamos con los nombres de
fsica, qumica y matemtica (nombres, slo nombres, smbolos de nuestra pequeez),
concluimos cun frgiles pueden llegar a ser nuestras definiciones.

Como ya hemos

demostramos que lo son las definiciones de simplicidad, informacin, orden, aprendizaje

y vida.

Mientras tanto, la ciencia an aparenta objetividad.

Ms an, en nuestro

desconcierto, recordemos la contradiccin inherente a la ciencia: Buscar la simplicidad

pero desconfiar de ella.

Qu hermosa encrucijada que nos hace desconfiar de los

nombres para perseguir significados cada vez ms amplios.

Integremos, porque la

naturaleza completa se ha derramado sobre nosotros. Porque nosotros somos naturaleza

derramada.

BIBLIOGRAFA
El nacimiento de una nueva fsica. I. Bernard Cohen, Alianza Universidad, S. A., 1985.
Leonardo De Vinci, brevarios. Editorial Schapire S. R. L.
El caso Galileo. Owen Gingerich, Investigacin y Ciencia, 87-96, octubre de 1982.
Cartas copernicanas Galileo Galilei. Editorial Ercilla S. A, 1988.
Introduccin a Newton. Maurizio Mamiani, Alianza Editorial, S: A., 1995.
Tiempo, espacio, movimiento, Los Principia de Newton.
Universitaria, Segunda Edicin, 1987.

Igor Saavedra, Editorial

El descubrimiento newtoneano de la gravitacin. I. Bernard Cohen, Investigacin y Ciencia,

111-120, mayo de 1981.
La perspectiva cientfica. Bertand Russell, Sarpe, S. A., 1983.
El conocimiento humano. Bertand Russell, Editorial Planeta-De Agostini, S. A., 1992.
La ciencia, su mtodo y su filosofa. Mario Bunge, Editorial sudamericana, cuarta edicin, 2001.
Miedo a la fsica. Lawrence M. Krauss, Editorial Andrs Bello, segunda edicin, 1996.
Juegos matemticos: Un mundo sin nmeros. Juan M. R. Parrondo, Investigacin y Ciencia, 8687, agosto de 2003.
Importancia de la investigacin bsica. Leon M. Lederman, Investigacin y Ciencia, 6-14,
enero de 1985.
Modelos matemticos en biologa.
junio de 1984.

Antonio Ruiz Marcos, Investigacin y Ciencia, 99-108,

Circo matemtico: Simplicidad (cap. 14). Martin Gardner, Alianza Editorial, S. A., segunda
edicin, 1985.
La imaginacin de la naturaleza. John Cornwell (editor), Editorial universitaria, 1995.
Introduccin a la ciencia. Isaac Asimov, Plaza & Janes, S. A., Editores, Tercera Edicin, 1979.
Cerebros, mquinas y matemticas. Michael A. Arbib, Alianza Universidad, segunda edicin,
1982.
Biofsica. M. V. Volkenshtein, Editorial Mir Mosc, 1985.
Cul es la mejor estrategia de un juego de preguntas? Juan M. R. Parrondo, Investigacin y
Ciencia, 84-86, agosto de 2001.

Fsica para las ciencias de la vida: Termodinmica (cap. 12).

Revert, segunda edicin, 1998.

Alan H. Cromer, Editorial

Ordenadores, paradojas y fundamentos de las matemticas.

Investigacin y Ciencia, 28-35, julio de 2003.

Gregory, J. Chaitin,

Juegos de ordenador: Artefactos analgicos que resuelven mltiples problemas y suscitan una
retahla de cuestiones. A. K. Dewdney, Investigacin y Ciencia, 87-93, agosto de 1985.
El azar y los nmeros. Gregory G. Chaitin, Mundo Cientfico, (11) 115: 772-777, 1991.
Neural networks. B. Mller y J. Reinhardt, Springer-Verlag Berlin Heidelberg, 1990.
Redes neuronales que aprenden de la experiencia. Geoffrey E. Hinton, Investigacin y Ciencia,
105-112, noviembre de 1992.
Neural networks and physical systems with emergent collective computational abilities. J.
J., Hopfield, Proc. Natl. Acad. Sci., U.S.A., 79: 2254, 1982.
De los vidrios de espn a las redes de neuronas. Mac Mzard y Grard Toulouse, Mundo
Cientfico, (11) 115: 778-785, 1991.
Spin glass theory and beyond. Marc. Mezard, Giorgio Parisi y Miguel ngel Virasoro, World
Scientific Publishing, 1987.
Measure, topology, and fractal geometry. Gerald A. Edgar, Springer-Verlag New York Inc.,
1990.
Applications of fractal analysis to physiology. Robb W. Glenny y col., Journal of Applied
Physiology, 70: 2351-2367, 1991.
Gradientes organizadores del desarrollo del embrin.
Investigacin y Ciencia, 20-26, octubre de 2002.

Christiane Nsslein-Volhard,

Chaos and fractals in human physiology. A. L. Goldberger, D. R. Rigney y B. J. West, Scientific

American, 262: 42-49, 1990.
Cmo entender el caos determinista. Carles Sim, Mundo Cientfico, (11) 115: 698-708, 1991.
Henri Poincar, el precursor. Jean-Luc Chabert y Amy Dahan Dalmedico, Mundo Cientfico,
(11) 115: 716-720, 1991.
La fsica del desorden. Jean-Pierre Eckmann y Maurice Mashaal, Mundo Cientfico, (11) 115:
722-730, 1991.
El caos en biologa. Robert M. May, Mundo Cientfico, (11) 115: 746-754, 1991. Deterministic
chaos: an introduction. Heinz Georg Schuster, Physic-Verlag GmbH, 1984. Mastering chaos.
William L. Ditto y Louis M. Pecora, Scientific American, 62-68, agosto de 1993.

El progreso de la matemtica en los ltimos 25 aos. J. M. Aroca Hernndez-Ros,

Investigacin y Ciencia, 64-75, octubre de 2001.
Simple mathematical models with very complicated dynamics. Robert M. May, Nature, 261:
459-467, 1976.
Computer simulation methods. Harvey Gould y Jan Tobochnik, Addison-Wesley Publishing
Company, 1988.
Termodinmica de la evolucin biolgica. David Luri y Jorge Wagensberg, Investigacin y
Ciencia, 102-113, marzo de 1979.
Introduccin a la termodinmica de procesos biolgicos. David Jou y Josep Enric
Llebot, Editorial Labor, S. A., 1989.
Fluctuaciones en procesos naturales. Jos Mara Sancho, Investigacin y Ciencia, 16-23, febrero
de 1988.
Calcium oscillations in pituitary gonadotrophs : Comparison of experiment and theory. Li
Y.-X., Rinzel John, Keizer J. And Stojilkovic S. S., Proc. Natl. Acad. Sci. USA, 91: 58-62, 1994.
Taller y laboratorio: Sistemas qumicos que permiten oscilar de un color dado a otro. Jearl
Walker, Investigacin y Ciencia, 108-114, septiembre de 1978.
Reacciones qumicas oscilantes. Irving R. Epstein y col., Investigacin y Ciencia, 82-92, mayo de
1983.
Criticalidad auto-organizada. Per Bak y Kan Chen, Investigacin y Ciencia, 18-25, marzo de
1991.
Intracelular convection, homeostasis and metabolic regulation.
Journal of Experimental Biology, 206: 2001-2009, 2003.

P. W. Hochachka, The

Lehninger principles of biochemistry. David L. Nelson, Michael M. Cox., Worth Publishers,

Tercera Edicin, 2000.
Qu es la vida? Erwin Schrdinger, Ediciones Orbis, S. A., 1985.
La autonoma de los seres vivos. Antoine Danchin y Daniel Mange, Mundo cientfico, (233): 4649, 2002.
The seven pillars of life. Daniel E. Koshland Jr., Science, 295: 2216-2215, 2002.