Emergencia y reducción: qué cambia al cambiar de descripción

COMPLEXA · Ciencias de la Complejidad y Teoría del Caos
Módulo 17. Renormalización, universalidad y descripción multiescala

169.1. El problema de las propiedades colectivas y los niveles de descripción

Una propiedad colectiva caracteriza un conjunto organizado mediante una variable definida para ese conjunto. Magnetización, presión y correlaciones espaciales requieren especificar sus componentes y relaciones. Como su atribución puede depender de una configuración instantánea, de una distribución de probabilidades o de un promedio temporal bajo condiciones determinadas, definirla exige precisar una operación de descripción.

Cambiar de nivel modifica las exigencias explicativas. En el microscópico interesan las interacciones y trayectorias de los componentes; en el macroscópico, la estabilidad de una fase, las fluctuaciones o la respuesta a una perturbación. Ambas descripciones pueden referirse al mismo sistema y organizar de modo distinto la información pertinente. También conviene separar la definición de una magnitud de la explicación de su comportamiento. Fijados los valores microscópicos, una media queda determinada algebraicamente, mientras que explicar sus fluctuaciones requiere conocer las dependencias estadísticas. La definición establece qué se calcula; la teoría y las condiciones de preparación justifican qué resultados son probables, estables o reproducibles.

Aquí, «emergencia» nombra situaciones en que una descripción colectiva introduce regularidades, variables o exigencias explicativas relevantes al cambiar de escala. Es un término descriptivo que no designa un mecanismo; para explicar el fenómeno hay que especificar las interacciones, las restricciones y las operaciones de agregación responsables.

Anderson (1972) insistió en que, para comprender sistemas compuestos, hay que atender a la organización y a las diferencias cualitativas entre niveles. Esta perspectiva dirige la atención a la construcción de teorías colectivas y es compatible con investigar derivaciones microscópicas, aproximaciones controladas y relaciones entre teorías. La dificultad de una derivación particular no decide si es posible; obliga a examinar sus supuestos.

Separar tesis ontológicas de decisiones metodológicas evita conclusiones apresuradas. Que unas variables colectivas sean eficaces no prueba que existan entidades independientes de su realización física; aceptar una composición microscópica tampoco da automáticamente una explicación útil de todo observable. La relación entre composición y explicación necesita argumentos ajustados al fenómeno y a su dominio de validez.

El análisis siguiente aplica estas distinciones a fluctuaciones, límites termodinámicos y modelos efectivos. En cada caso determina qué información se conserva o se descarta y qué errores introduce esa transformación. Así, las afirmaciones sobre emergencia pueden evaluarse mediante relaciones matemáticas y contrastaciones específicas.

169.2. Un ejemplo preciso con la media de variables y sus correlaciones

Sean $X_1,\ldots,X_N$ variables aleatorias reales con segundos momentos finitos, donde $N$ es el número de componentes. Cada variable es una magnitud microscópica medida con las mismas unidades. Definimos su media colectiva $M$ y expresamos su varianza mediante las covarianzas de todos los pares, incluidos los términos diagonales

La covarianza mide la dependencia lineal de las fluctuaciones respecto de sus esperanzas. Para $i=j$ coincide con la varianza de $X_i$. La identidad anterior es exacta y procede de la bilinealidad de la covarianza. Todavía no contiene una hipótesis sobre independencia, homogeneidad o distancia entre componentes; esas condiciones entran al evaluar o aproximar la suma.

Si las variables son independientes y todas tienen varianza $\sigma^2$, las covarianzas entre componentes distintos se anulan. Quedan exactamente $N$ contribuciones diagonales y se obtiene $\operatorname{Var}(M)=\sigma^2/N$. La independencia es una condición suficiente; para esta igualdad basta la ausencia de correlación por pares y la igualdad de varianzas. La desviación típica de la media disminuye entonces como $N^{-1/2}$.

Como ejemplo didáctico, supongamos $N=100$ y $\sigma^2=4$, en unidades cuadradas de la magnitud estudiada. La varianza de la media vale $0{,}04$ y su desviación típica, $0{,}2$. Estos números ilustran un cálculo bajo hipótesis especificadas; no son mediciones ni justifican trasladar automáticamente esa concentración a otras poblaciones.

Consideremos ahora una correlación común $\rho$ entre componentes distintos, con $0\leq\rho\leq1$ y la misma varianza individual. Cada covarianza no diagonal vale $\rho\sigma^2$. Como hay $N(N-1)$ pares ordenados distintos, la expresión exacta se convierte en

Manteniendo los valores anteriores y fijando didácticamente $\rho=0{,}1$, la varianza resulta $0{,}436$; su límite es $0{,}4$. La persistencia de covarianzas positivas en una fracción macroscópica de los pares impide que el promedio elimine toda fluctuación. La conclusión depende de esa estructura; si las correlaciones son locales y decaen suficientemente, puede haber concentración, aunque con un coeficiente distinto al del caso independiente.

Una realización explícita de esa estructura usa una fuente común y fluctuaciones individuales. Tomemos variables independientes $Z,\eta_1,\ldots,\eta_N$, todas centradas y de varianza uno, y construyamos

Cada componente tiene varianza $\sigma^2$ y dos componentes distintos comparten la covarianza $\rho\sigma^2$ debida a $Z$. Al promediar, el término común permanece mientras se atenúa la media de las fluctuaciones individuales. Una dispersión colectiva persistente puede proceder así de una causa compartida, sin interacción directa entre componentes. Como la misma matriz de covarianza podría surgir de otros mecanismos, para distinguir una entrada común de un acoplamiento interno se necesita información sobre la fuente o una intervención que altere una de esas dependencias. El agregado informa sobre la organización de las fluctuaciones, pero la explicación causal exige reconstruir cómo se genera.

Para cada realización microscópica, el valor de $M$ queda completamente definido por los valores de sus componentes. Su distribución entre realizaciones depende, en cambio, de la distribución conjunta. El ejemplo separa así la determinación algebraica de la explicación estadística; conocer las varianzas individuales deja indeterminada la fluctuación colectiva mientras falte información sobre las covarianzas y su comportamiento al aumentar el tamaño.

169.3. La reducción como derivación bajo supuestos y límites

Entender la reducción como derivación exige identificar una teoría de partida, una descripción de llegada y las condiciones que permiten relacionarlas. Una derivación puede ser exacta dentro de un modelo o aproximada dentro de un régimen; en ambos casos deben explicitarse las variables, los parámetros y las hipótesis auxiliares. La afirmación general de que todo sistema está compuesto por elementos microscópicos deja pendiente esta tarea matemática y física.

El primer puente suele ser una función que asigna variables colectivas a estados microscópicos. Si $x$ es el microestado y $C$ una operación de agregación, escribimos $y=C(x)$, donde $y$ es el macroestado. Distintos valores de $x$ pueden producir el mismo $y$. Esa pérdida de información obliga a investigar si las diferencias descartadas afectan la evolución futura del observable elegido.

Una ecuación macroscópica autónoma solo está justificada cuando esa influencia es despreciable, puede representarse estadísticamente o queda absorbida en parámetros efectivos. La aproximación puede requerir separación de escalas temporales, proximidad al equilibrio o correlaciones suficientemente cortas. Cuando esas condiciones fallan, aparecen memoria, fluctuaciones relevantes o dependencia de variables adicionales. La reducción debe entonces registrar ese fracaso del cierre y precisar el alcance de la descripción obtenida.

Los límites exigen otro tipo de cuidado. Hacer tender el tamaño a infinito, la separación de escalas a cero o el tiempo de observación a valores grandes puede simplificar una teoría y producir estructuras matemáticas nuevas, aunque el orden de esas operaciones puede modificar el resultado. Una derivación rigurosa distingue el sistema finito de su representación límite y controla, cuando es posible, la diferencia entre ambos para las cantidades observables.

La cuestión ontológica trata de qué existe y de cómo se realiza físicamente; la autonomía explicativa, de qué variables y regularidades permiten responder una pregunta con precisión suficiente. Una teoría colectiva puede seguir siendo útil aun cuando sus magnitudes estén definidas a partir de componentes microscópicos. Su ventaja puede estar en comprimir información, mostrar invariancias o hacer visibles dependencias que una enumeración de trayectorias vuelve difíciles de reconocer.

Desconocer una derivación no prueba la irreductibilidad. Tampoco una derivación formal garantiza que el resultado sea computacionalmente accesible o experimentalmente informativo. Cada afirmación necesita su propia prueba. Un cálculo puede existir en principio y resultar intratable para los recursos disponibles; una aproximación puede ser manejable y fallar fuera del régimen en que sus términos omitidos permanecen pequeños.

Evaluar una reducción requiere, por último, una relación explícita entre errores y usos. Para predecir una media puede bastar un cierre que resulte inadecuado para estimar probabilidades de eventos extremos. La validez depende del observable, del horizonte temporal y de la tolerancia requerida. Esta especificación permite comparar descripciones mediante resultados concretos y localizar qué hipótesis necesita revisión cuando surge una discrepancia.

169.4. Microleyes, condiciones iniciales, fronteras y ensembles

Las microleyes especifican reglas de evolución para un sistema modelado. Para obtener una trayectoria concreta hacen falta además un estado inicial, los parámetros de interacción y las condiciones de contorno; en sistemas abiertos, también los intercambios con el entorno. Una ecuación de alcance general admite muchas realizaciones físicas; seleccionar una de ellas incorpora información que la forma de la ley deja abierta.

Las condiciones iniciales pueden determinar qué régimen se observa durante un intervalo relevante. Dos preparaciones compatibles con las mismas ecuaciones pueden alcanzar distintos atractores o conservar diferencias durante tiempos prolongados. Incluso si hay relajación hacia una distribución estacionaria, el resultado depende de su rapidez. Suponer que el sistema ha olvidado su preparación es una hipótesis adicional que debe justificarse para la escala temporal del problema.

Las fronteras delimitan intercambios y pueden seleccionar estados colectivos. Una pared térmica, un borde aislante o una conexión con un reservorio introducen condiciones físicas diferentes. Las fronteras periódicas usadas en simulación son una idealización útil, cuya pertinencia depende del observable. Cerca de una transición, o cuando las correlaciones abarcan el tamaño del sistema, la sensibilidad al borde puede ser grande y requiere un análisis específico.

Un ensemble es una distribución de probabilidad sobre estados compatibles con cierta preparación o información macroscópica. Elegirlo determina cómo se calculan esperanzas y fluctuaciones. En equilibrio, fijar la energía o permitir intercambio térmico corresponde a restricciones diferentes. La equivalencia entre ensembles solo vale bajo ciertas condiciones y puede fallar para algunas fluctuaciones, tamaños o interacciones. Su elección forma parte de la explicación estadística y debe quedar identificada.

La dependencia respecto del ensemble se expresa de manera compacta mediante una esperanza. Si $x$ recorre los microestados de un modelo discreto, $A(x)$ es un observable y $p(x)$ la probabilidad asignada, entonces

Una misma función $A$ puede tener distintas esperanzas bajo distribuciones diferentes. También importa la red de interacciones, cuyo alcance, intensidad y geometría condicionan las correlaciones y los modos de relajación. Invocar leyes generales sin especificar esas relaciones omite información necesaria para explicar la organización colectiva. El modelo debe indicar qué componentes interactúan y qué aproximaciones se han aplicado a sus acoplamientos o al entorno.

Finalmente, el coarse-graining fija qué diferencias microscópicas se consideran indistinguibles. Puede consistir en promediar espacialmente, agrupar estados o filtrar tiempos rápidos. Cada operación define una resolución y descarta información. Para justificarla se examina si conserva las magnitudes relevantes y si permite representar las influencias eliminadas. La descripción macroscópica depende conjuntamente de la dinámica, la preparación, las fronteras, la distribución estadística y la resolución; cada elemento sostiene una parte comprobable de la explicación.

169.5. Ruptura espontánea de simetría en el modelo de Ising

El modelo ferromagnético de Ising permite precisar cómo intervienen la simetría y los límites. Consideremos una red de $N$ sitios con espines $s_i\in\{-1,+1\}$, un acoplamiento $J>0$ entre vecinos y un campo uniforme $h$, ambos medidos en unidades de energía. La energía $H$, en la que la suma sobre $\langle i,j\rangle$ cuenta cada par vecino una vez, y la magnetización $m_N$ son

$T$ es la temperatura absoluta; los corchetes indican la esperanza de equilibrio con probabilidades proporcionales a $\exp[-H/(k_BT)]$, donde $k_B$ es la constante de Boltzmann. La magnetización media por sitio $m_N$ es adimensional. A temperatura positiva, con $h=0$ y fronteras simétricas, invertir todos los espines conserva la energía y cambia el signo de la magnetización.

Cada configuración tiene una compañera de igual peso y magnetización opuesta; por simetría, $m_N(T,0)=0$. Esa igualdad vale para la media de ensemble, mientras que una realización finita puede mostrar configuraciones mayoritariamente positivas o negativas y cambios muy lentos entre ellas. Distinguir configuración, promedio temporal y esperanza estadística evita interpretar el promedio nulo como ausencia necesaria de organización en cada realización.

En una red con transición ferromagnética a temperatura crítica positiva $T_c$, el resultado depende del orden de los límites. Bajo $T_c$, tomar el límite termodinámico y retirar después un campo positivo selecciona una magnetización espontánea; el orden inverso mantiene la cancelación simétrica del sistema finito

La primera expresión define $m_{\mathrm{esp}}$ en la rama positiva; un campo de signo contrario selecciona la rama negativa. La existencia de ramas depende de la dimensionalidad, del alcance de las interacciones y del régimen térmico; no toda red de Ising tiene una transición a temperatura positiva.

La magnetización es un parámetro de orden porque distingue fases con valores colectivos distintos. En el límite infinito, los estados puros de las ramas ordenadas evitan la mezcla simétrica; una mezcla puede tener esperanza nula aunque sus componentes sean ordenados. Las condiciones de frontera también pueden seleccionar una rama y deben especificarse al construir el límite y al comparar resultados.

Fisher (1974) sitúa el comportamiento crítico en el análisis de escalas y la renormalización. Las singularidades termodinámicas exactas corresponden al límite infinito; en sistemas finitos hay redondeo y dependencia del tamaño. Explicar una observación exige distinguir la idealización singular de su realización experimental y relacionar la estructura límite con escalas finitas, resolución y tiempos de medida.

169.6. Simulación, predicción y explicación en la emergencia débil

La expresión «emergencia débil» suele aplicarse a comportamientos colectivos que se generan mediante reglas microscópicas especificadas, aunque obtener sus consecuencias pueda exigir una simulación detallada. Como el significado varía entre formulaciones, conviene indicar qué criterio se adopta y qué dificultad se atribuye al paso entre niveles.

Un modelo puede ser computable y resultar impracticable para tamaños o tiempos de interés. Computabilidad significa que existe un procedimiento efectivo capaz de producir el resultado requerido bajo una especificación adecuada; la tratabilidad mide los recursos que consume ese procedimiento. La distinción depende también de la precisión solicitada, porque estimar una media con error tolerable puede exigir mucho menos trabajo que reconstruir una trayectoria microscópica completa.

La simulación da las consecuencias de un modelo para entradas y decisiones numéricas determinadas. Para valorar su resultado deben conocerse el algoritmo, las condiciones iniciales, las fronteras y los criterios de convergencia; en modelos estocásticos, también el muestreo. Una ejecución aislada puede mostrar un patrón llamativo cuya frecuencia o estabilidad permanezca desconocida. La evaluación requiere separar las propiedades del modelo de los artefactos de su implementación.

Predicción y explicación tienen exigencias parcialmente distintas. Una herramienta puede anticipar correctamente un observable mediante una relación ajustada y decir poco sobre su mecanismo. Una explicación puede identificar las interacciones que producen una inestabilidad y, sin embargo, dejar amplio margen de incertidumbre sobre el instante exacto de aparición. Evaluar ambas capacidades exige formular el resultado esperado y los aspectos del fenómeno que se pretenden comprender.

La sensibilidad a las condiciones iniciales añade otra limitación predictiva. Si pequeñas diferencias crecen durante la evolución, la incertidumbre de preparación restringe el horizonte de una trayectoria fiable. Esa dificultad puede coexistir con predicciones estadísticas robustas sobre distribuciones o promedios. Describir correctamente la incertidumbre obliga a distinguir la precisión de los estados individuales de la estabilidad de las regularidades colectivas.

Que un patrón aparezca después de muchas iteraciones no prueba que sea imposible todo método alternativo de cálculo. Puede existir una aproximación, una invariancia o una representación más eficiente todavía desconocida. Afirmar que un procedimiento es indispensable requiere especificar una clase de algoritmos y dar argumentos sobre sus límites. La dificultad computacional que se experimenta es evidencia sobre los recursos disponibles, de alcance distinto al de una prueba de imposibilidad.

Las versiones fuertes de emergencia introducen tesis adicionales sobre irreductibilidad o poderes causales; siguen siendo objeto de debate y la complejidad de una simulación no alcanza para establecerlas. Una investigación puede documentar generación microscópica, costos computacionales y autonomía aproximada sin resolver esas cuestiones metafísicas. Su contribución explicativa se evalúa por los mecanismos identificados, los resultados reproducibles y unos límites de validez que otros procedimientos puedan contrastar.

169.7. Autonomía macroscópica condicionada

La autonomía macroscópica consiste en describir determinados observables mediante relaciones que requieren poca información sobre los detalles microscópicos. Su alcance depende de la variable elegida, la preparación y la tarea. Una teoría puede predecir eficazmente la evolución de una densidad media y resultar insuficiente para caracterizar fluctuaciones raras. Por ello, atribuir autonomía a un nivel entero oculta diferencias entre observables del mismo sistema.

Los balances expresan restricciones derivadas de conservación o intercambio. Sin embargo, una ecuación de balance suele contener flujos cuya dependencia respecto de las variables conservadas permanece abierta. El cierre introduce relaciones constitutivas que aproximan esos flujos. Su justificación puede apoyarse en equilibrio local, separación de escalas o medidas independientes de parámetros. Una conservación exacta y un cierre aproximado tienen estatutos distintos que deben mantenerse visibles.

Formalmente, sea $x_t$ el microestado al tiempo $t$, $\Phi_t$ la evolución microscópica y $C$ la agregación. Una dinámica colectiva $\Psi_t$ define un cierre cuando satisface aproximadamente

Aquí $x_0$ es el estado inicial y el signo de aproximación exige un criterio de error. Si dos microestados con igual agregado evolucionan hacia valores colectivos muy diferentes, el cierre falla para ese conjunto de preparaciones. Puede recuperarse restringiendo el dominio, incorporando variables adicionales o describiendo probabilidades de transición. La autonomía efectiva depende de que la información descartada tenga una influencia controlada en el resultado de interés.

Los atractores pueden contribuir a esa pérdida controlada de sensibilidad. Después de un transitorio, distintas preparaciones pueden acercarse a un conjunto de comportamientos semejantes. Sostener esa afirmación requiere identificar la cuenca de atracción y el tiempo de relajación. Una convergencia asintótica puede tener escaso valor predictivo si el experimento termina antes del transitorio o si perturbaciones ambientales sacan continuamente al sistema del régimen considerado.

La universalidad es otra forma de autonomía condicionada. En el tratamiento de fenómenos críticos, diferentes modelos pueden compartir ciertos exponentes y relaciones de escala cuando coinciden características relevantes, como la dimensionalidad y la simetría. Fisher (1974) desarrolla el marco de renormalización que permite estudiar esa insensibilidad selectiva. Otras cantidades conservan dependencias microscópicas, de modo que compartir una clase de universalidad no hace equivalentes todos los aspectos de los sistemas.

El puente causal entre niveles debe preservar la realización física de las relaciones efectivas. Una presión o un flujo colectivo resume interacciones y restricciones cuya contribución ya está representada en el modelo microscópico. Añadir después una fuerza colectiva independiente puede contar dos veces esa contribución. Una explicación coherente identifica qué términos son efectivos, cómo se obtienen y para qué intervenciones conservan capacidad predictiva, especialmente cuando cambia la preparación o se abandona el régimen de cierre.

169.8. Causalidad descendente como restricción y retroalimentación

«Causalidad descendente» describe cómo una variable colectiva regula procesos locales. Para evaluar esa descripción hay que reconstruir el circuito físico de medición, decisión y acción. Las restricciones globales y la retroalimentación modifican los comportamientos microscópicos accesibles mediante interacciones identificables, con tiempos, costos energéticos y límites de transmisión determinados.

Sea un recinto dividido en $N$ zonas con temperatura $T_i(t)$ en el instante $t$. Un controlador mide esas temperaturas, les da igual peso (si difieren volúmenes o capacidades térmicas, otra ponderación puede ajustarse mejor al objetivo físico) y fija la potencia $u(t)$ a partir de su media aritmética $\overline T(t)$

En este controlador proporcional idealizado, $T_{\mathrm{ref}}$ es la temperatura de referencia, $u(t)$ la potencia ordenada y $K>0$ una ganancia con unidades de potencia por temperatura. Si la media cae bajo la referencia, aumenta la orden. Como un calentador real satura y no tiene potencia negativa, la ecuación vale para un régimen operativo o debe incorporar esos límites.

La señal colectiva cambia las órdenes de los calentadores, que transforman energía y alteran intercambios térmicos; las nuevas temperaturas llegan a los sensores. Esta trayectoria material hace de la media una variable causal útil, porque resume la información que usa el dispositivo, aunque cada etapa dependa de componentes y acoplamientos físicos.

La organización restringe la dinámica conjunta. Cambiar la referencia o desconectar un sensor altera las órdenes y permite contrastar el mecanismo. El efecto depende de la señal recibida, de su procesamiento y del lugar donde se aplica la potencia. La influencia descendente es informativa si conserva estas dependencias y permite anticipar consecuencias de modificaciones físicas especificadas.

Una media regulada admite grandes diferencias espaciales; recintos con igual temperatura media pueden tener zonas frías y calientes distintas y responder después de manera diferente. Retardos y ganancias pueden causar oscilaciones o inestabilidad. Regular el agregado no garantiza la estabilidad de los modos locales ni que el promedio baste para describir la evolución.

La explicación multinivel identifica la variable global operativa y la implementación local de su influencia. El balance de energía y fuerzas sigue calentadores, paredes e intercambios con el entorno; el promedio añade información sobre la regulación. Su papel explicativo se establece con el circuito y sus respuestas comprobables, sin una fuerza macroscópica adicional ni capacidades independientes de su realización material.

169.9. Evidencia en ciencias de la complejidad

Una explicación en ciencias de la complejidad debe conectar reglas locales, observables colectivos y evidencia independiente. Generar un comportamiento macroscópico a partir de un modelo microscópico establece una relación dentro del modelo. Para atribuir esa relación al sistema estudiado hace falta contrastar las hipótesis y las consecuencias observables. La correspondencia debe incluir condiciones de preparación, escalas de medida y márgenes de incertidumbre, además de semejanzas visibles entre patrones.

La generación microscópica exige mostrar qué elementos interactúan, mediante qué reglas y bajo qué restricciones. También requiere comprobar que el resultado procede de esas decisiones y conserva estabilidad numérica. Una regularidad puede depender de una discretización, de una frontera artificial o de un ajuste particular. La verificación del código examina si se resolvió el modelo especificado; la validación empírica examina su adecuación al fenómeno real.

La validación gana fuerza cuando usa observables que no intervinieron en el ajuste. Reproducir una distribución empleada para calibrar parámetros deja abierta la respuesta a perturbaciones o la estructura de correlaciones. Un mecanismo propuesto debe afrontar comparaciones adicionales capaces de distinguirlo de alternativas. La selección de esas pruebas depende del problema; los tiempos de relajación, la sensibilidad a las fronteras y las respuestas a intervenciones pueden dar información complementaria sobre las dependencias causales.

La robustez se evalúa modificando detalles cuya relevancia teórica se considera secundaria. Si el fenómeno permanece dentro de un dominio identificable, aumenta el apoyo a una descripción efectiva insensible a esos detalles. Hay que especificar qué se mantiene fijo y qué se altera. Una robustez obtenida después de reajustar libremente todos los parámetros es una prueba normalmente menos exigente que una predicción conservada sin recalibración.

La reproducción de un patrón no identifica necesariamente su mecanismo. Reglas locales distintas pueden generar agrupamientos, oscilaciones o distribuciones semejantes. Esta multiplicidad plantea un problema de identificación, ya que la evidencia disponible puede ser compatible con varios modelos. Una explicación debe reconocer esa indeterminación y buscar mediciones o intervenciones que produzcan predicciones divergentes. La similitud visual puede orientar hipótesis, aunque deja sin resolver qué dependencias distinguen los procesos generadores.

La incertidumbre tiene varias fuentes que conviene separar. Los parámetros pueden estar estimados con poca precisión; los datos pueden ser incompletos; el modelo puede omitir interacciones relevantes. También hay variabilidad intrínseca en los procesos estocásticos. Propagar solamente el error de muestreo deja fuera las demás limitaciones. Informar qué fuentes se han cuantificado permite interpretar el resultado sin atribuir una confianza excesiva a predicciones que dependen de supuestos estructurales poco contrastados.

El traslado a fenómenos sociales exige especial cuidado con el significado de variables, reglas e intervenciones. Compartir una forma matemática con un sistema físico no implica compartir su mecanismo. Las decisiones, las instituciones y los cambios de conducta pueden transformar las reglas durante la observación. Un diagnóstico social requiere evidencia situada y contrastaciones propias; una analogía puede sugerir relaciones, pero su validez causal depende de pruebas propias del contexto estudiado.

Una comparación entre niveles también necesita un criterio explícito de resolución. Si dos modelos predicen la misma media, pero uno describe además la distribución de tiempos de espera, explican conjuntos de observables diferentes. El modelo más detallado es mejor para preguntas sensibles a esos tiempos; para otra tarea puede añadir parámetros que los datos disponibles no identifican. La elección puede hacerse comparando errores predictivos y costos de medición dentro de un dominio acordado. Esta evaluación concreta evita convertir la palabra «emergencia» en una calificación global del sistema, pues especifica qué propiedad colectiva aparece, qué descripción permite calcularla y bajo qué intervenciones conserva utilidad.

169.10. Cómo formular una explicación multinivel

Una explicación multinivel delimita primero una pregunta y su observable. En tráfico, puede estudiarse cómo una reducción localizada de capacidad modifica la densidad y la duración de una congestión. El sistema comprende un tramo, sus accesos y una ventana temporal. La comparación entre referencia y perturbación debe explicitar los cambios de demanda que podrían explicar el resultado de otro modo.

El nivel microscópico describe posiciones, velocidades y reglas de respuesta. Las entradas al tramo y las decisiones en los accesos son condiciones de frontera; la preparación incluye la distribución inicial de vehículos. Así se investiga qué interacciones propagan una desaceleración y qué resultados dependen de decisiones de modelado, como la heterogeneidad entre conductores y el tiempo de reacción.

El cambio de escala agrupa vehículos en intervalos espaciales y temporales para estimar la densidad $\rho(x,t)$ y el flujo $q(x,t)$, donde $x$ es la posición longitudinal y $t$ el tiempo. En un tramo sin entradas ni salidas interiores, la conservación de vehículos conduce a

La densidad se expresa en vehículos por longitud y el flujo en vehículos por tiempo. El balance conserva unidades y contabiliza el transporte, pero deja abierta la relación entre ambas magnitudes. Un cierre que exprese el flujo en función de la densidad requiere justificación y puede fallar en transitorios o con composiciones diferentes; su error debe evaluarse en las condiciones de la comparación.

Un cierre didáctico concreto es $q(\rho)=v_0\rho(1-\rho/\rho_j)$, donde $v_0$ es la velocidad libre y $\rho_j$ la densidad de atasco. Describe una velocidad de los vehículos que disminuye linealmente con la densidad; su pertinencia empírica debe comprobarse para cada tramo. Para una discontinuidad entre densidades izquierda y derecha, la conservación exige la velocidad de propagación

Esta relación se obtiene igualando entradas y salidas en un intervalo pequeño que se mueve con el frente. Con $v_0=60\ \mathrm{km/h}$, $\rho_j=120\ \mathrm{veh/km}$, $\rho_L=40$ y $\rho_R=100\ \mathrm{veh/km}$, los flujos son $1600$ y $1000\ \mathrm{veh/h}$. El frente viaja a $-10\ \mathrm{km/h}$, aunque las velocidades de los vehículos, $q/\rho$, son positivas ($40$ y $10\ \mathrm{km/h}$). La propiedad colectiva tiene una regla calculable y una dirección distinta del movimiento de sus componentes; se explica mediante el balance y el cierre escogido. Ningún vehículo necesita desplazarse hacia atrás para producirla. Esta es la clase de conexión entre niveles que la teoría de ondas de tráfico de Lighthill y Whitham (1955) permite formular con precisión.

La validación compara la localización, la duración y la propagación de la congestión, además de las medias agregadas; la velocidad media puede ocultar discrepancias en las colas. Variar la resolución revela qué resultados son estables y cuáles dependen de la ventana de agregación. Contrastar reglas microscópicas alternativas permite identificar mecanismos respaldados y diferencias aún compatibles con las observaciones del tramo.

La incertidumbre incluye la medición, la demanda de entrada, los parámetros de respuesta y la elección del cierre. El resultado puede explicar la propagación colectiva mientras deja inciertas las trayectorias individuales. Las discrepancias entre escalas orientan nuevas mediciones de accesos, cambios de carril o periodos más largos para discriminar mecanismos rivales. Con ellas se delimita el dominio predictivo y se revisan las hipótesis que las comparaciones aún no determinan suficientemente.

Referencias

Anderson, P. W. (1972). More is different. Science, 177(4047), 393–396. DOI.

Fisher, M. E. (1974). The renormalization group in the theory of critical behavior. Reviews of Modern Physics, 46, 597–616. DOI.

Lighthill, M. J. y Whitham, G. B. (1955). On kinematic waves II. A theory of traffic flow on long crowded roads. Proceedings of the Royal Society A, 229, 317–345. DOI.