Síntesis del año: una transición observada, varios mecanismos

COMPLEXA · Ciencias de la Complejidad y Teoría del Caos
Módulo 20. Procesos colectivos sobre redes y transiciones

200.1. Un caso sintético con una pregunta concreta

Disponemos de una población de unidades conectadas. Cada unidad puede estar inactiva o activa. Al comienzo de un ensayo activamos externamente una fracción de la población, dejamos evolucionar el sistema y medimos la fracción activa final. Queremos explicar por qué una modificación pequeña de la preparación inicial puede producir una diferencia grande en el resultado.

El caso que sigue es enteramente sintético. Los números proceden de un modelo matemático que especificaremos y resolveremos; detrás no hay pacientes, organizaciones, ecosistemas ni una muestra experimental oculta. Esta transparencia permite examinar qué conclusiones justifican los datos y cuáles requieren información adicional.

Denotamos por $\rho$ la probabilidad independiente de que cada unidad sea activada inicialmente. La fracción final de unidades activas es $S$. En cada ensayo reconstruimos la preparación desde cero, sin heredar el estado final del ensayo anterior.

La tabla siguiente contiene resultados teóricos redondeados para una población idealizada muy grande.

El paso de once a once coma dos por ciento de activación inicial coincide con un cambio muy grande en el resultado. En esta tabla podemos describirlo como una transición abrupta, pero todavía debemos identificar el mecanismo y el significado del parámetro que estamos variando.

Un error inmediato sería interpretar $\rho$ como intensidad de interacción, probabilidad de conservar enlaces o tasa de transmisión por contacto. Aquí es una regla de preparación inicial. Cambiar su significado para acomodar una fórmula distinta alteraría la pregunta sin declararlo.

Tampoco conocemos todavía tiempos de activación, identidades de unidades, correlaciones locales o sensibilidad a perturbaciones. La tabla conserva un promedio final y omite casi toda la trayectoria. Esa reducción permite comparar resultados, aunque limita la identificación de causas.

El objetivo del capítulo es reconstruir una explicación verificable y diseñar pruebas que la diferencien de alternativas. La familiaridad visual de una curva no sustituirá el trabajo de definir variables, calcular predicciones y examinar condiciones de aplicación.

200.2. Qué podemos concluir antes de elegir una teoría

En todos los renglones, la fracción final es al menos tan grande como la inicial. Esto es compatible con activación irreversible y propagación posterior, pero no las demuestra. También podrían existir activaciones y desactivaciones cuya diferencia neta fuera positiva.

El crecimiento es más que proporcional en algunas regiones. Esa observación sugiere una amplificación colectiva, aunque no permite atribuirla a una interacción concreta. Una respuesta individual muy no lineal a una entrada común también puede generar una curva agregada pronunciada.

Con los datos de la tabla no podemos demostrar una discontinuidad matemática. Entre dos valores de entrada siempre podríamos dibujar una función continua suficientemente empinada que conectara los resultados. Identificar un salto exige una teoría, un análisis de tamaño o una resolución apropiada alrededor de la región crítica.

Por ejemplo, una función logística con pendiente muy grande puede pasar de un nivel cercano a tres décimas a otro próximo a uno en un intervalo estrecho. Esto ilustra una ambigüedad de observación; no significa que hayamos ajustado una logística a todos los renglones ni que esa curva explique los estados individuales.

Una descripción fenomenológica puede ser útil para interpolar dentro de condiciones conocidas. Sin embargo, no determina cómo responderá el sistema si cambiamos la red, agrupamos las semillas o bloqueamos una clase de interacción. Esas preguntas exigen representar mecanismos que la curva no contiene.

Debemos además conocer el denominador de la fracción. Aquí contamos unidades activas respecto de la población original completa. Si excluyéramos unidades desconectadas, perdidas o no observadas, podríamos aumentar la fracción reportada sin activar a ninguna unidad adicional.

La precisión decimal tampoco equivale a precisión empírica. Los números de la tabla se calcularon con una ecuación y se redondearon; ninguna muestra finita respalda ese número de cifras. En un experimento aparecerían incertidumbre de preparación, variación entre redes y error de medición.

Antes de invocar un concepto amplio como criticalidad, conviene formular una afirmación más concreta, a saber, que hay una región de preparación inicial donde el resultado teórico cambia mucho. Después preguntaremos si ese cambio procede de una inestabilidad, una condición de conectividad, una frontera de cuenca u otra estructura.

Podemos cuantificar la pendiente que la tabla exige sin identificar su causa. Entre probabilidades iniciales de $0{,}110$ y $0{,}112$, el incremento del resultado es aproximadamente $0{,}696083$. Dividirlo por el cambio de entrada da una pendiente secante cercana a $348{,}04$.

Si una función continua y diferenciable interpolara exactamente ambos valores, tendría que alcanzar al menos esa pendiente en algún punto intermedio. Es una restricción concreta sobre una alternativa suave, aunque no la imposibilita.

La escala elegida para el eje también influye en la impresión visual. Pasar de fracción a porcentaje cambia el valor numérico de la pendiente sin alterar el fenómeno. Por eso conservamos las unidades y describimos el contraste entre dos preparaciones, sin tratar una inclinación gráfica como propiedad independiente de la representación.

200.3. Alternativas que hacen predicciones diferentes

Consideremos primero la percolación de sitios. Si interpretáramos $\rho$ como probabilidad de conservar una unidad y $S$ como fracción original perteneciente a una componente conservada, necesariamente tendríamos $S\leq\rho$. La tabla viola esa desigualdad, así que esa interpretación concreta queda descartada sin ajustar parámetros.

Lo descartado es una identificación específica entre variables; la conectividad todavía puede intervenir. Una red conectada puede sostener una propagación que active unidades inicialmente inactivas, pero entonces hace falta añadir una dinámica distinta de conservar o eliminar sitios.

Una segunda alternativa sería una epidemia simple, en la que una unidad activa podría activar a otra mediante un contacto suficiente. Ese mecanismo permite amplificación, aunque sus predicciones dependen de recuperación, duración de actividad y oportunidades de transmisión. Con solo el resultado final no podemos identificar esos elementos.

Una tercera alternativa exige refuerzo, de modo que cada unidad necesita al menos dos vecinos activos distintos. En ese caso, una semilla aislada puede fracasar aunque disponga de muchos contactos repetidos con un mismo receptor. La distribución espacial de las semillas influye entonces de otra manera.

Una cuarta alternativa usa dependencias funcionales entre capas. Una pérdida inicial puede desencadenar fallos alternados entre sistemas. Para aplicarla necesitaríamos medir estados de funcionamiento y relaciones de dependencia, además de justificar por qué una variable de activación es el complemento de esos fallos.

La transición de Kuramoto plantea todavía otra pregunta, la de la coherencia de fases en una población oscilatoria. Su parámetro de orden no es automáticamente una fracción de unidades binarias activas. Convertirlo en tal fracción requeriría una regla de observación explícita y la evidencia de ciclos o fases pertinentes.

Finalmente, una entrada común que cambia con rapidez podría provocar una pérdida de seguimiento. Para distinguirla necesitamos observar la trayectoria temporal de la entrada, como mostró el capítulo anterior.

Las alternativas no son intercambiables por compartir una forma de curva. Cada una compromete una definición del estado, una regla local y una relación entre la intervención y el parámetro del modelo. Esas diferencias permiten diseñar pruebas más informativas que la semejanza visual.

200.4. El mecanismo que generó la tabla

La población idealizada es una red aleatoria regular de grado cuatro, suficientemente grande y localmente semejante a un árbol. Las semillas se eligen independientemente con probabilidad $\rho$ y permanecen activas.

Una unidad inicialmente inactiva se activa cuando al menos dos de sus vecinos están activos. Una vez activa, no vuelve a desactivarse. Actualizamos por rondas sincrónicas hasta alcanzar un estado que ya no cambia. El umbral es absoluto, de modo que no se recalcula como fracción de vecinos al modificar el grado.

La aproximación de árbol permite describir mensajes entre vecinos. Sea $q$ la probabilidad de que una unidad se active sin recibir ayuda de un vecino distinguido, que mantenemos inactivo para evaluar ese mensaje. Le quedan tres vecinos disponibles.

Puede ser semilla desde el comienzo o activarse porque al menos dos de esos tres vecinos envían mensajes activos. Por independencia de las ramas en el límite considerado,

El mensaje no es la probabilidad final de activación de una unidad elegida al azar. Para esa unidad están disponibles sus cuatro vecinos. Por tanto, $S=\rho+(1-\rho)(6q^2-8q^3+3q^4).$

La diferencia entre tres vecinos para un mensaje y cuatro para una unidad completa evita contar como apoyo independiente una activación que depende del propio receptor. Usar la misma cantidad en ambas ecuaciones produciría otra teoría y otros números.

Para seleccionar la solución física comenzamos con $q_0=\rho$ y aplicamos repetidamente la regla de actualización. La sucesión aumenta y está acotada por uno, por lo que converge al menor punto fijo accesible desde las semillas.

Esta selección incorpora la preparación del experimento. Resolver la ecuación polinómica y escoger arbitrariamente cualquiera de sus raíces no reproduce el proceso. Las raíces adicionales pueden describir fronteras o estados que esa preparación no alcanza.

El procedimiento es afín a las aproximaciones de cascadas por umbral desarrolladas por Watts y por Gleeson y Cahalane. Aquí usamos una elección concreta de grado, umbral y siembra para que cada renglón pueda reproducirse mediante una ecuación sencilla.

200.5. Resolver la transición y comprobar los números

Al reorganizar la ecuación de mensajes obtenemos

Además de la solución completa $q=1$, las otras raíces son

Existen como números reales cuando $\rho\leq1/9$, dentro del intervalo de probabilidades pertinente. La preparación desde semillas selecciona la rama inferior. En el valor crítico, ambas raíces se encuentran en $q=1/4$.

Con $\rho=0{,}1$, la raíz inferior es exactamente $1/6$. Sustituirla en la ecuación de la unidad completa produce $S=7/32$, es decir, $0{,}21875$, con lo que comprobamos un renglón mediante fracciones exactas.

Al llegar a $\rho=1/9$, la fracción activa en la rama inferior es $11/32$, aproximadamente $0{,}34375$. Por encima del umbral ya no existen esas dos raíces y la iteración iniciada en las semillas converge a uno.

El salto teórico se produce desde el límite inferior de once treintaidosavos hasta activación completa. La tabla no incluye exactamente el punto crítico, de modo que su último valor bajo es menor que el límite de la rama. Confundir el último punto muestreado con el límite crítico distorsionaría el tamaño calculado del salto.

Podemos comprobar también la estabilidad de la iteración. La derivada de su función es $6(1-\rho)q(1-q)$. En el renglón de una décima de semillas y mensaje un sexto, vale tres cuartos. Las desviaciones pequeñas se contraen aproximadamente por ese factor en cada ronda.

En el punto donde se encuentran las raíces, la derivada vale uno. La convergencia se hace lenta; un criterio numérico que detenga el cálculo después de un número fijo de rondas puede subestimar la activación o confundir un transitorio prolongado con un estado final.

La bifurcación corresponde aquí a una ecuación de autoconsistencia para una dinámica irreversible iniciada de nuevo en cada ensayo. No autoriza a dibujar una trayectoria de vuelta reduciendo semillas sobre un sistema que ya quedó activo. Para estudiar reversión necesitamos cambiar el protocolo o incorporar desactivación.

El factor de contracción de tres cuartos permite estimar un transitorio local en rondas. Una pequeña desviación decae aproximadamente como esa potencia del número de iteraciones. Su escala exponencial equivalente es $-1/\log(3/4)$, aproximadamente $3{,}48$ rondas.

Este cálculo describe solo la vecindad del punto fijo. Cerca del encuentro de ramas, la derivada se aproxima a uno y la escala aumenta. Exactamente en el encuentro, la aproximación lineal deja de predecir contracción y deben conservarse términos no lineales.

También debemos separar el error de la iteración del error del modelo. Reducir la tolerancia permite calcular con mayor precisión el punto fijo de la ecuación, pero no elimina las correlaciones de una red real que la aproximación de árbol ignoró.

200.6. Una prueba de tamaño finito que se resuelve exactamente

La estructura localmente arbórea es una hipótesis esencial. Para comprobar su efecto, consideremos el grafo completo de cinco nodos; cada unidad está conectada con las otras cuatro y tiene también cuatro vecinos.

Con el mismo umbral de dos vecinos, cero semillas producen cero activaciones. Una sola semilla permanece sola, porque ninguna otra unidad tiene dos vecinos activos. Con dos o más semillas, todas las unidades terminan activas.

Si cada unidad es semilla independientemente con probabilidad $\rho$, podemos calcular el resultado promedio sin aproximación. La probabilidad de exactamente una semilla es $5\rho(1-\rho)^4$. La probabilidad de al menos dos es uno menos las probabilidades de cero y una.

La fracción activa esperada resulta

Para $\rho=0{,}1$, la probabilidad de activación completa es $0{,}08146$. La contribución esperada de los ensayos con una sola semilla es $0{,}06561$. Su suma da una fracción activa promedio de $0{,}14707$.

Este valor es distinto del $0{,}21875$ de la tabla, aunque el grado de cada unidad y su regla local coincidan. La red pequeña contiene muchos ciclos cortos y sus vecinos no son ramas independientes. Aplicar sin cambios la ecuación de mensajes sería injustificado.

La expresión finita es un polinomio continuo en la probabilidad de siembra, sin el salto de la teoría de población grande. Sin embargo, una realización particular puede pasar de actividad mínima a actividad total cuando cambia una sola semilla.

Hay que distinguir el salto de una realización, la curva promedio finita y la transición en un límite de tamaño. Las tres pueden verse abruptas en una figura, pero corresponden a objetos matemáticos distintos y requieren comparaciones diferentes.

Este contraste también impide resumir el efecto de los triángulos con una regla universal. Pueden facilitar refuerzo local y a la vez cambiar el alcance global o las dependencias entre exposiciones. La dirección del resultado depende de la estructura, el protocolo y el observable.

La red de cinco nodos permite otra comprobación mediante una unidad distinguida. Si esa unidad es semilla, contribuye con probabilidad $\rho$. Si no lo es, termina activa exactamente cuando al menos dos de las otras cuatro unidades fueron semillas. La probabilidad correspondiente es $6\rho^2-8\rho^3+3\rho^4$.

Obtenemos así una segunda expresión para la misma fracción esperada, $\rho+(1-\rho)(6\rho^2-8\rho^3+3\rho^4)$, que coincide con el polinomio anterior al expandirla. Para una décima de siembra, la probabilidad de activación de una unidad inicialmente inactiva es $0{,}0523$; combinar semillas y no semillas vuelve a producir $0{,}14707$.

En este caso podemos reconstruir además la distribución completa del resultado. La fracción final es cero con probabilidad $0{,}59049$, una quinta parte con probabilidad $0{,}32805$ y uno con probabilidad $0{,}08146$. Ningún ensayo termina exactamente en el promedio reportado.

Esta última observación muestra qué información se pierde. Si informáramos solo la fracción promedio, desaparecería la distinción entre una población moderadamente activa en cada ensayo y una mezcla de resultados muy diferentes. Para decisiones sensibles a cascadas completas, la distribución es más relevante que ese promedio aislado.

200.7. Pruebas que podrían identificar el mecanismo

La primera prueba consiste en observar qué ocurre antes de cada activación. En nuestro modelo, una unidad no sembrada nunca se activa con menos de dos vecinos activos. Encontrar activaciones fiables con una sola exposición suficiente refutaría la regla determinista propuesta o exigiría incorporar entradas no observadas.

Debemos distinguir vecinos diferentes de contactos repetidos. Dos mensajes del mismo vecino no satisfacen el umbral de dos fuentes en esta ecuación. Un experimento que mantenga constante el número de contactos y cambie su diversidad podría separar este mecanismo de otros basados en acumulación temporal.

La segunda prueba modifica la distribución de semillas conservando su cantidad. Agruparlas alrededor de unidades comunes puede crear oportunidades de refuerzo que una distribución dispersa no genera. El resultado concreto varía con la red; lo que el modelo predice es que, a igual fracción, también depende de la identidad y la posición de las semillas.

La tercera prueba elimina enlaces manteniendo fijas las unidades, las semillas y el umbral absoluto. Bajo nuestra regla irreversible y positiva, eliminar enlaces no puede aumentar el conjunto final activo. Podemos demostrarlo comparando ronda a ronda, porque cada unidad dispone de un subconjunto de los apoyos que tenía antes.

Esta monotonía dejaría de ser una predicción válida si el umbral fuera una fracción del grado y se recalculara después de la eliminación. En ese caso, perder un vecino puede reducir también la cantidad de apoyos requerida. El diseño debe preservar la regla que pretende contrastar.

La cuarta prueba distingue una red causal de una asociación observada. Si reconstruimos enlaces a partir de activaciones simultáneas, la red estimada puede reflejar el resultado del proceso. Para evaluar la regla local necesitamos contactos o influencias con una justificación independiente.

También podemos examinar tiempos. El modelo sincrónico activa una unidad en la ronda posterior a reunir suficientes vecinos activos. Un retraso variable puede requerir otra regla temporal aunque el estado final permanezca parecido.

Por último, debemos buscar observaciones que favorezcan alternativas. Recuperaciones espontáneas, oscilaciones persistentes, respuestas a una señal compartida o dependencia marcada de la velocidad de una entrada indicarían mecanismos que el modelo irreversible no incluye.

La prueba de dos fuentes necesita controlar una alternativa importante. Las unidades que reciben más exposiciones pueden diferir de antemano en susceptibilidad o compartir un entorno que favorece la activación. En ese caso podría observarse una asociación entre el número de vecinos activos y la probabilidad de activarse sin que existiera refuerzo causal.

Un diseño informativo mantiene comparables las condiciones y modifica la exposición de manera justificable, o usa una estrategia de identificación que haga explícitos sus supuestos. Si faltan contactos en el registro, una activación aparentemente causada por una sola fuente podría haber recibido otras influencias no observadas.

También conviene registrar intentos sin activación. Seleccionar únicamente unidades que terminaron activas elimina precisamente la comparación necesaria para evaluar la regla. La evidencia sobre un mecanismo debe incluir cuándo actúa, cuándo no actúa y qué condiciones diferencian esos casos.

200.8. Simulación, incertidumbre y reproducibilidad

Para reproducir la tabla basta iterar la ecuación de mensajes desde la probabilidad de siembra y calcular después la fracción completa. Debemos declarar el criterio de convergencia y comprobar especialmente los valores próximos al umbral, donde la iteración se vuelve lenta.

Una simulación de redes finitas responde a una pregunta adicional. Generamos una red regular de grado cuatro, elegimos semillas independientemente y aplicamos la regla local por rondas hasta que ninguna unidad nueva se active. Después repetimos con nuevas semillas y nuevas redes.

No conviene mezclar todas las repeticiones sin conservar sus identidades. Repetir semillas sobre una misma red estima variación condicionada a esa estructura. Regenerar la red añade otra fuente de variación. Una jerarquía de resultados permite separar ambas.

El tamaño debe permitir una red regular simple; la construcción necesita verificar que no queden autoenlaces o enlaces múltiples si esos objetos no pertenecen al modelo. Generar la secuencia de grados no garantiza todavía que el procedimiento produzca la distribución de grafos que suponemos.

Para comparar métodos de actualización, podemos usar una regla asincrónica que, tarde o temprano, revise todas las unidades elegibles. En este sistema monótono, irreversible y con umbrales fijos, el cierre final coincide con el de la actualización sincrónica. Los tiempos y el orden de activación sí pueden cambiar.

Un algoritmo que deje permanentemente sin revisar algunas unidades no satisface esa condición. Tampoco podemos trasladar la equivalencia a modelos con desactivación, inhibición o recursos agotables.

Al estudiar el umbral en tamaños crecientes, registramos distribuciones del tamaño final y probabilidades de cascada, además de promedios. Un promedio intermedio puede representar ensayos todos intermedios o una mezcla de fracasos y activaciones casi completas.

También documentamos resultados negativos (valores donde la teoría de árbol no aproxima bien la simulación, sensibilidad a agrupamiento y diferencias entre preparaciones). Esos resultados delimitan la utilidad de la aproximación y orientan qué correlaciones habría que conservar en un modelo más detallado.

Si definimos una cascada extensa mediante un criterio fijo y hacemos ensayos independientes, su frecuencia puede estimarse como una proporción binomial. Cerca de una probabilidad de una mitad, cien ensayos dan un error estándar aproximado de cinco puntos porcentuales; mil ensayos lo reducen a cerca de uno coma seis puntos.

Esas cuentas describen únicamente incertidumbre de repetición bajo independencia, sin incluir sesgos de generación de redes, cambios de protocolo ni incertidumbre sobre el umbral individual. Además, el criterio que define una cascada extensa debe fijarse antes de comparar condiciones, para evitar que una clasificación adaptable produzca el patrón deseado.

Una estrategia eficiente concentra más repeticiones donde la probabilidad cambia rápidamente y mantiene algunas condiciones de referencia. Así se mejora la localización de la región sensible sin fingir que una única realización próxima al umbral es típica.

En una red finita con actualización sincrónica, cada ronda que cambia el estado activa al menos una unidad nueva. Como ninguna se desactiva, el número de rondas con cambios está acotado por el número de unidades inicialmente inactivas. Esta propiedad da un criterio exacto de terminación del proceso discreto.

La iteración de probabilidades en una población idealizada no tiene esa misma cota; puede aproximarse asintóticamente a un punto fijo sin alcanzarlo en un número finito de pasos. Por eso usamos tolerancia numérica para la ecuación y ausencia de nuevas activaciones para la red explícita.

Si una simulación finita de esta regla continúa modificando estados más allá de aquella cota, existe un error de implementación o se ha incorporado una dinámica adicional. Esta comprobación es más informativa que verificar únicamente que la fracción final permanezca entre cero y uno.

200.9. De una explicación a una decisión

Supongamos que el objetivo de una intervención es reducir activaciones finales. En el modelo propuesto, podríamos disminuir semillas, modificar contactos o elevar umbrales. Estas acciones no son equivalentes y sus costos o posibilidades reales no están incluidos en la ecuación.

Reducir ligeramente la siembra cerca del punto crítico puede producir en la teoría un cambio final grande, pero estimar la posición del sistema respecto del umbral requiere conocer la estructura y la regla. Un error pequeño en esas hipótesis puede cambiar la predicción.

Eliminar un enlace tiene una predicción monótona bajo umbral absoluto, aunque el tamaño de su efecto depende de su posición y de las semillas. Identificar enlaces mediante grado solamente puede ser insuficiente. Interesa qué oportunidades de doble exposición sostienen en las trayectorias relevantes.

Una intervención que cambia las condiciones iniciales debe evaluarse antes de la cascada. Una vez activadas las unidades en un modelo irreversible, reducir retrospectivamente la probabilidad que las generó no desactiva ninguna. Confundir prevención y reversión produce una recomendación que la propia ecuación no respalda.

Si el objetivo fuera favorecer una activación deseada, las mismas reglas matemáticas podrían orientar otra intervención. La teoría no decide el valor de la actividad. Esa valoración depende del sistema, sus participantes, las consecuencias y la finalidad explícita del análisis.

La incertidumbre puede motivar una intervención informativa antes de una modificación amplia. Por ejemplo, comparar respuestas a una y dos fuentes distintas ayudaría a estimar si existe refuerzo. Su viabilidad y pertinencia deben evaluarse en el dominio real; el modelo solo identifica qué contraste sería discriminante.

A veces el resultado más sólido es una delimitación de condiciones bajo las cuales una acción tiene el efecto esperado, junto con una medida que permitiría reducir la incertidumbre principal. Esa conclusión es más útil que una predicción precisa basada en una interpretación equivocada de las variables.

La decisión también necesita una referencia de comparación (qué ocurriría sin intervenir durante el mismo horizonte). Una reducción observada después de actuar puede coincidir con variación espontánea o un cambio externo. Conservar esa comparación conecta la explicación dinámica con la evaluación del efecto.

200.10. Cerrar el ciclo entre teoría, cálculo y evidencia

El recorrido comenzó con una tabla que mostraba un cambio abrupto. Primero distinguimos observables y parámetros. Después comparamos mecanismos, especificamos una regla de umbral, derivamos su ecuación de mensajes y seleccionamos la rama compatible con la preparación.

El cálculo produjo un punto crítico exacto y explicó por qué la convergencia se vuelve lenta. Una red pequeña del mismo grado permitió comprobar que la estructura local y el tamaño cambian el resultado. Las pruebas propuestas transformaron el modelo en afirmaciones que podrían refutarse mediante observaciones pertinentes.

La síntesis del módulo no autoriza a afirmar que toda transición comparte una causa. Epidemias, percolación, cascadas, sincronización y cambios de régimen usan herramientas relacionadas, pero conservan estados, reglas y condiciones diferentes. La conexión matemática ayuda cuando esas diferencias permanecen visibles.

También aprendimos a separar mecanismos de resúmenes. Un autovalor necesita una matriz y una dinámica; un exponente, una distribución y un régimen; un parámetro de orden, un significado observacional; un indicador de recuperación lenta, una hipótesis sobre ruido y estabilidad.

El siguiente bloque trata de la información, es decir, de cómo representar incertidumbre, dependencia y límites de una observación. La tabla sintética lleva de manera natural a ese tema. Al conservar solo una fracción final hemos comprimido una dinámica extensa; comprender qué se pierde y qué se preserva será una pregunta central.

Referencias

• Watts, D. J. (2002). A simple model of global cascades on random networks. Proceedings of the National Academy of Sciences, 99, 5766–5771. DOI.
• Gleeson, J. P., y Cahalane, D. J. (2007). Seed size strongly affects cascades on random networks. Physical Review E, 75, 056103. DOI.
• Ashwin, P., Wieczorek, S., Vitolo, R., y Cox, P. (2012). Tipping points in open systems: bifurcation, noise-induced and rate-dependent examples in the climate system. Philosophical Transactions of the Royal Society A, 370, 1166–1184. DOI.