LA MATEMÁTICA APLICADAS A

LA BIOLOGÍA

RESUMEN
Este artículo trata sobre la bio-matemática o la matemática aplicada a
la biología. La cual se orienta a interaccionar la biología con la
matemática, a pesar de no tener un campo demarcado. Se reposa
algunos modelos matemáticos en dinámica del campo de la biología;
poniendo en manifiesto el papel del análisis matemático en el estudio
de los organismos. Uno de los propósitos de este ensayo es delimitar
los propósitos y alcances de a bio-matemática, así como el aclarar
algunos malentendidos que llevan a interpretaciones erróneas en dicha
interrelación.

INTRODUCCIÓN
Desde la antigüedad la matemática se ha hecho presente en diversas
disciplinas, una de ella, está en el campo de la biología.
“La historia de la Matemática es casi tan antigua como la del hombre.
Existe evidencia de que ya en la prehistoria, motivado por necesidades
prácticas tales como cuantificar el tiempo u objetos (como la cantidad
de individuos de una manada), medir el tamaño de terrenos, la
decoración con cerámica o un comercio muy trivial, nuestros primitivos
antecesores hicieron uso de algún conocimiento muy rudimentario de
matemática (Redondo, Martín y Pobes, 2010, pp. 167 – 195;
Seidenberg, 1978, pp. 301 – 342; Tabak, 2010, pp. 1 – 18)”
A medida que las sociedades se fueron haciendo más complejas, se
enfrentaron a problemas más complicados, y esto motivó el desarrollo
de métodos matemáticos también más complejos. Además, el
comercio extendido entre regiones cada vez más distantes permitió la
interacción de matemáticos de distintos lugares, y esto evidentemente
también favoreció el desarrollo de la matemática.
“Tal vez la prueba más célebre de la existencia de la matemática en la
prehistoria sea el hueso de Ishango. Fue descubierto por Jean Heinzelin
de Bracout en el año 1960 en la región de Ishango, ubicada entre
Uganda y el Congo. Con una antigüedad de entre dieciocho mil y veinte
mil años, este artefacto consiste de un hueso color marrón, que fue
parte del peroné de un babuino, con una serie de muescas (ver Figura

1
1). Se cree que este artefacto además de contar Matemáticas aplicadas
a la biología M. E. Hernández Número 45 - Marzo 2016 – Página 118
permitía realizar algunas operaciones aritméticas (Buriticá, 2010, pp.
167-195; Huylebrouck, 2006, pp. 135-162).”
Con frecuencia ambas ciencias aparecen como polos opuestos, desde
el punto de vista, del pensamiento antagónico, la biología buscando
una variabilidad y la matemática un tipo de mutación, hace pensar que
si alguna de las dos tiene que aportar con la otra.
¿Cuál es el objeto de la biomatemática? Es una de las tantas preguntas
que se pueden hacer las personas que recién han oído, de esta
aplicación, a decir verdad esta interdisciplinar de estudio, tiene grandes
aplicaciones tanto teóricas como prácticas en la investigación de la
vida, propiamente dicho en la biología
La interacción de estas disciplinas se ha incrementado de manera
abrumadora en estos últimos años, sobre todo por los temas como la
dinámica de poblaciones o modelación de enfermedades, es gracias a
estos dos últimos temas que esta interdisciplinar se transformara en
un campo excitante y en constante crecimiento. Además de, como ya
se mención, de no temer un espacio demarcado lo que ha constituido
en su principal virtud.
“Aquellos que se han interesado por leer con detalle algún buen tratado
de historia ce la ciencia en el intento de explicar fenómenos concretos
de otras ciencias, en numerosas ocasiones, los matemáticos se han
creado sus propios problemas, a partir de otros más sencillos que han
sido resueltos”.

LA BIOLOGÍA MATEMÁTICA CLÁSICA

Desde el descubrimiento de Harvey hasta que Lamarck bautiza a la
Biología pasan casi 200 años en la que los nuevos descubrimientos
científicos se suceden de manera imparable. Es la etapa de las grandes
expediciones científicas, de la construcción de microscopios y
telescopios, del desarrollo del cálculo diferencial y la mecánica, de la
redacción de la que en hoy se usa, la famosa Enciclopedia, etc.
<contemporáneo de Lamarck, el economista Thomas Malthus, publica
en 1800 el célebre tratado “An essay on population” donde elabora un
primer modelo matemático de evolución poblacional y lo compara con
otro para los recursos naturales. Con independencia de lo acertado o
no de las predicciones maltusianas, podemos situar ahí el comienzo de
nuestra ciencia:

2
 - La dinámica de población es el primero de los temas clásicos de
la biología matemática.
La cantidad de materia viva correspondiente a una cierta especie se
llama “Biomasa”. Si escribimos la biomasa como:

×=× (𝑡, 𝑥)
Indicaremos que depende del tiempo y de la ubicación espacial. Según
qué clase de dependencia tengamos en cuenta, podremos plantear
diferentes tipos de ecuaciones descriptivas. El caso más simple ocurre
cuando X=X (t) y la evolución es

× (𝑡) →× (𝑡 + ∆𝑡) = 𝐹[𝑋(𝑇), 𝑣)

Siendo un vector de parámetros. Además, la ecuación debe
complementarse dando una condición inicial X (0)=X0. La idea de
Malthus, era con r > l:

× (𝑛) →× (𝑛 + 1) = 𝑟𝑋(𝑛)
Que representa la progresión geométrica en X0. Este es un modelo de
los denominados discretos, pues el tiempo se enumera de manera
discreta. La formulación diferencial es:

×′ = 𝑟 ×
O bien, X(t)=X0 exp(rt). Ambos modelos, discreto y diferencial (este
cuando r >0), confirman a Malthus: La población crece
indefinidamente.
Ya a mediados del siglo XIX se planteó el problema de representar un
crecimiento más realista, limitado por algún factor. Así se introdujo el
modelo logístico

×
× ′ = 𝑟 × (1 − )
𝐾
Este modelo predice (r>0) que la evolución del a biomasa es asintótica
la valor, que en términos biológicos es la capacidad de carga o biomasa
máxima soportable. La logística es sin duda alguna, la piedra angulas
de la matematización de la biología. La versión discreta, en forma
simple, es:

× (𝑛 + 1) = 𝑟 × (𝑛)[1 − 𝑋(𝑛)
3
Y uno de los primeros ejemplos de comportamiento caótico (cuando
r→4). Por tanto es muy utilizada en la docencia en biología matemática
como introducción a la moderna teoría del caos y su aplicación.
En la vida real, excepto en condición de laboratorio muy controlado, la
diferente población e interfieren. Las matemáticas se inspiración en la
química para establecer modelos de interacción de población, en
particular en la ley de acción de masas: dadas dos población X(t), Y(t),
el resultado de la interacción se describe con experiencias del tipo
ƦXnYm, donde el coeficiente determina la intensidad de la interacción y
siesta es favorable o no para la especie de que se trate.
El conocido con el nombre fundamental, planteado hace unos setenta
años, es el conocido nombre de Ecuaciones de Lotka-Volterra, en honor
de Alfred Lotka (1880-1949), un químico, demógrafo y matemático,
el también matemático italiano Vito Voltera (1860-1940). El modelo
más sencillo de este tipo se obtiene tomando n=m=l en todas las
integraciones.

MATEMÁTICA PARA BIÓLOGOS

Durante los años veinte de este siglo, Umberto D’Ancona, biólogo
italiano de la Universidad de Siena, estudio las variaciones de las
poblaciones de diversas especies de peces que se influenciaban
mutuamente en su crecimiento, debido por ejemplo a la competición
por el alimento, a que una especie era depredador de la otra, etc. En
particular, dispuso de los datos referentes a las capturas (en tanto por
ciento) de selacios (tiburones, rayas, etc.), de diversos puertos
italianos (Trieste, Fiume, Venecia) durante los años 1.914 a 1.923.
El hecho que le llamó la atención fue el gran incremento del porcentaje
de tales capturas durante el período de la Primera Guerra Mundial. Por
concretar, en el puerto de Fiume, se pasó del 11,9 % en 1.914 al 36,4
% en 1.918, para comenzar a descender entonces hasta llegar al 10,7
% en 1.923, tal y como se muestra en la tabla adjunta

1914 1915 1916 1917 1918 1919 1920 1921 1922 1923
11,9 21,4 22,1 21,2 36,4 27,3 16 15,9 14,8 10,7

La explicación biológica que para este hecho dio D’Ancona se basó en

las dos observaciones siguientes:

4
1. En primer lugar la disminución del volumen de pesca durante los
años de la primera Guerra Mundial.
2. En segundo lugar, los selacios eran depredadores de los otros
peces. D’Ancona argumentó que, al disminuir la intensidad de la
pesca, aumento el número de peces que podían considerarse
como presas de los selacios.
Esto originó que se multiplicasen con gran intensidad y que por
tanto, creciese, en porcentaje su población. Ahora bien, este
argumento es un poco oscuro, puesto que si el nivel de los peces
que podían considerarse presas de los selacios creció también,
¿porque no se reflejó esto en los respectivos porcentajes? La
pregunta clave para el científico es: ¿por qué una disminución de la
intensidad de la pesca provoca un aumento en la población de los
peces depredadores, y es, por tanto, más beneficioso para ´estos
que para las presas?
No se sabe bien el motivo, pero el caso es que D’Ancona planteo la
cuestión a un colega suyo: el famoso matemático V. Volterra,
profesor de la Universidad de Roma, quien comenzó las
investigaciones matemáticas sobre el tema a finales de 1.925.
A requerimiento de M. Borel, Volterra dio una serie de conferencias
en el Instituto Henri Poincaré durante el curso 1.928/29, cuyo tema
central fue precisamente el estudio matemático de las fluctuaciones
biológicas. En particular, formulo un modelo matemático para tratar
de entender la situación descrita y encontró “la explicación” de
porque una disminución en la intensidad de la pesca era más
beneficiosa para los depredadores que para las presas. De manera
muy simple, Volterra hizo las suposiciones siguientes:
- La población de peces se divide en dos clases excluyentes: los
depredadores (selacios) y las presas. Sean v(t) y u(t) el número
respectivo de peces de cada clase en el tiempo t.

- En el crecimiento de cada una de las clases solo interviene el

número de sus respectivos individuos y el número de contactos,
por unidad de tiempo, entre las dos especies. Más precisamente,
el crecimiento de los depredadores se ve afectado
proporcionalmente, de manera negativa, por el número de los
mismos (debido a la limitación del alimento) y positivamente, de
manera proporcional, por el número de los mencionados
contactos con las presas. Asımismo, el crecimiento de las presas
se ve afectado proporcionalmente y de manera positiva, por el
número de las mismas (debido al efecto reproductor), y de

5
 manera proporcional y negativa, por el número de contactos
citados.

Llamemos la atención sobre el hecho de que la intensidad de la pesca

no la hemos puesto de manifiesto en la elaboración de este primer
modelo.

Teniendo en cuenta la interpretación del concepto de derivada, Volterra

propuso el modelo:
U’(t) = au(t) − bu(t)v(t), (2.1)
v ‘(t) = −cv(t) + du(t)v(t)
Donde “ ‘ ” representa la derivada de la respectiva función respecto
de la variable tiempo, mientras que a, b, c y d son constantes positivas
que modelan las proporcionalidades mencionadas, las cuales afectan
positiva o negativamente al crecimiento de las especies. El modelo
anterior se conoce también con el nombre de modelo de Lotka-Volterra
puesto que el mismo sistema fue propuesto por Lotka para el estudio
de algunos problemas de concentraciones y reacciones químicas.
El sistema (2.1) es un sistema de ecuaciones diferenciales
ordinarias de primer orden, y tiene diferentes tipos de soluciones,
dependiendo de la situación inicial (u(0), v(0)) = (u0, v0) de la que se
parta. Obviamente, debido a la interpretación biológica de este
sistema, solo estamos interesados en aquellas soluciones (u(t), v(t))
con ambas componentes no negativas para cualquier tiempo t ≥ 0.
A este respecto, distinguiremos las soluciones siguientes:
A: Soluciones de equilibrio (aquellas que no varían con el tiempo):
- Si (u0, v0) = (0, 0), entonces (u(t), v(t)) ≡ (0, 0) es la solución
constantemente nula.
- Hay otra solución constante para el caso en que (u0, v0) = (c/d,
a/b).
B: Soluciones semitriviales (son aquellas en las que alguna especie
no tiene individuos):
- Si (u0, v0) = (u0, 0) con u0 > 0, entonces la única solución es
(u(t), v(t)) = (u0 exp (at), 0).
- Si (u0, v0) = (0, v0), con v0 > 0, entonces la unica solucion es
(u(t), v(t)) = (0, v0 exp (−ct)).

6
C: Estados de coexistencia no triviales (son aquellas soluciones en
las que ambas componentes son no negativas y no triviales).
- En este caso puede demostrarse (usando la teoría cualitativa
de e.d.o.) que, para el sistema (2.1), si la condición inicial
verifica u0 > 0, v0 > 0, entonces la única solución originada
(u(t), v(t)) satisface u(t) > 0, v(t) > 0, ∀ t > 0, y que el conjunto
de puntos de la forma {(u(t), v(t)), t ≥ 0} es una curva cerrada
de IR2 , lo que significa que la solución es periódica. Más
concretamente, si (u(t), v(t)) es un estado de coexistencia para
(2.1), entonces, usando el Teorema de la función Inversa, se
tiene:

dv −cv + duv
=
du au − buv

Ecuación con variables separadas. Resolviéndola, se obtiene que,

𝑢𝑎 𝑢𝑐
=k
𝑒 𝑏𝑣 𝑒 𝑑𝑢
Para alguna constante K. Ahora, puede demostrarse fácilmente que lo
anterior define una curva cerrada en IR2 ([4]).
Recordemos que los datos de D’Ancona se referían a porcentajes
durante un tiempo determinado. Así, si queremos estudiar la validez
de nuestro modelo, debemos calcular “los valores promedio” de las
soluciones, durante el perıodo de las mismas. En este sentido, si (u(t),
v(t)) es cualquier estado de coexistencia de (2.1), con perıodo T > 0,
es lógico definir sus valores promedio como

1 𝑇 1 𝑇
𝑢 = ∫ 𝑢(𝑡)𝑑𝑡, 𝑣 = ∫ 𝑣 (𝑡)𝑑𝑡
𝑇 0 𝑇 0
A pesar de que no sea posible calcular (u(t), v(t)) de manera explıcita,
si es posible calcular (u, v), obteniéndose que, independientemente del
estado de coexistencia elegido, siempre se tiene

(u, v) = (c/d, a/b) (2.2)

En la elaboración del modelo (2.1), no se ha tenido en cuenta cómo
puede afectar la intensidad de la pesca de las especies al crecimiento
de las mismas. Es hora de llevarlo a cabo. La hipótesis más sencilla

7
posible diría que la intensidad de la pesca de la especie u es
directamente proporcional al total de la población en el tiempo t y que
afecta negativamente al crecimiento de la misma. Análogamente para
la especie v. Esto origina el modelo

u’(t) = au(t) − bu(t)v(t) − εu(t),

v’(t) = −cv(t) + du(t)v(t) − εv(t) (2.3)
Donde ε > o refleja la intensidad de la pesca. Observemos que,
siempre que a−ε > 0, el sistema (2.3) es como él (2.1). Por tanto, los
valores promedio de las correspondientes soluciones son

𝑐+ε 𝑎−ε
𝑢= ,𝑣 =
𝑑 𝑏
Consecuentemente, una disminución de la intensidad de la pesca
(“disminuir ε”), provoca una disminución de las presas u y un aumento
de los depredadores v, que fue el hecho observado por D’Ancona. Este
resultado se conoce con el nombre de Principio de Volterra.
En su libro, Volterra trato otras situaciones, como el caso general de n
especies, implicaciones de la herencia en el crecimiento de las mismas,
etc. Sus ideas han inspirado muchos trabajos, siendo un tema de gran
actualidad investigadora el estudio de sistemas de e.d.o. de primer
orden que surgen en Dinámica de poblaciones. La variedad de modelos
es impresionante y, dependiendo de las hipótesis realizadas, el
comportamiento cualitativo de las soluciones puede cambiar
radicalmente, respecto de lo afirmado para el sistema (2.1). Por
ejemplo, si en la elaboración del modelo (2.1) se tiene en cuenta,
además, que las presas compiten entre ellas por su alimento (debido
a que este es limitado) y que los depredadores también compiten entre
ellos, debido al número limitado de presas, el modelo que surge es de
la forma

u’(t) = au(t) − bu(t)v(t) − eu2 (t),

v’(t) = −cv(t) + du(t)v(t) − fv2 (t)
(2.4)
Donde e y f son constantes positivas que reflejan, respectivamente, la
intensidad de las competiciones mencionadas. Realizando un cuidadoso
análisis del sistema anterior, puede demostrarse ([4]), usando
nuevamente la teoría cualitativa de e.d.o. que si c/d > a/e, entonces
cualquier solución (u(t), v(t)) de (2.4) con u(0) y v(0) positivos, tiende,
cuando el tiempo diverge a +∞ a la solución de equilibrio (a/e, 0). Es

8
decir, si se da la desigualdad anterior, los depredadores tienden a
extinguirse cuando el tiempo crece indefinidamente.
Por ejemplo, esto ocurre si en el modelo (2.4) se mantienen fijas las
constantes a, b, e, d, f, y c es suficientemente grande (recordemos que
el termino −cv(t) expresa que el crecimiento de los depredadores se
ve afectado negativamente por el número de los mismos), o si se
mantienen fijas las constantes b, c, d, e, f y a se toma suficientemente
pequeña (recordemos que el termino au(t) pone de manifiesto la
reproducción de las presas).

LA AUTONOMÍA BIOMÁTEMATICA
Lo trascendental radica en que dichos esquemas ayudan a problemas
complejos de la realidad de manera clara y objetiva.
Podemos mencionar algunos clásicos como el de Hodgkin y Huxley,
quienes estudiaron la transmisión eléctrica en células nerviosas. Pero
un trabajo que resulta referente es el publicado por Robert May en la
revista Nature 1976, “Simple mathematical models with very
complicated dynamics” (Modelos matemáticos simples con una
dinámica muy compleja).
Este es claro ejemplo que un fenómeno biológico complejo no requiere
de un modelo matemático complicado.
En el área académica de matemáticas y física de la UAEH proponemos
y analizamos modelos en biología. Profesores participan activamente
en las redes temáticas de Conacyt, particularmente en la de esquemas
matemáticos y computacionales de biología, medicina y salud.
También colaboramos con la subdirección de investigación de los
servicios de salud de Hidalgo. Esta vinculación genera diversos
proyectos en los que participan profesores y estudiantes.
Nuestro primer trabajo conjunto consistió en estimar el número
reproductivo básico para la epidemia de influenza en 2009.
Posteriormente, utilizando un modelo de ecuaciones en diferencias,
realizamos una proyección de los pacientes diabéticos en el estado.
Recientemente el trabajo “Cobertura efectiva de la promoción y
detección del cáncer cérvico-uterino en Hidalgo”, fue aceptado para su
presentación en el 15 Congreso de Investigación en Salud Pública.
Además mantenemos colaboración con The Mathematical and
Theoretical Biology Institute de la Universidad de Arizona, a donde

9
enviaremos estudiantes durante el verano próximo para trabajar en
investigaciones.
El año pasado asistió el alumno de matemáticas aplicadas, Gerardo
Reyes Grimaldo, quien colaboró en el proyecto “Hierro mitocondrial:
un modelo matemático para la enfermedad de regulación de hierro”,
con el que obtuvo el premio a mejor cartel en el Joint Mathematics
Meeting 2012, uno de los encuentros sobre esta disciplina más
importantes de la Unión Americana.
La relación entre matemáticas y biología es de enorme potencial, al
cuantificar y analizar de manera objetiva fenómenos físicos complejos.
El planteamiento de estos y sus propuestas de solución atienden
necesidades sociales, por lo que su estudio es parte importante de la
vinculación que realiza la Universidad Autónoma del Estado de Hidalgo.

Modelización, ecuaciones diferenciales y

computadoras
¿En qué consiste el proceso de modelización? Un modelo matemático
es una síntesis de la realidad (en nuestro caso de una realidad
biológica) que nos ayuda a entenderla. Se trata de traducir aspectos
de la naturaleza al lenguaje matemático. Por lo general el resultado es
un sistema de ecuaciones, cuyas soluciones nos aportarán la
información cuantitativa esencial respecto del fenómeno estudiado. Si
logramos, por ejemplo, traducir a funciones matemáticas los
mecanismos de transmisión de señales en el sistema nervioso,
dispondremos de una valiosísima herramienta para comprender y
controlar esos procesos. El problema es lograr una traducción
adecuada y realista, que encierre todos los elementos clave del
sistema. Este es el paso crucial en el trabajo del biomatemático, y
requiere de altas dosis de imaginación, intuición y conocimientos
biológicos. Además de, como es habitual en la ciencia, un inagotable
proceso de ensayo-error, hasta dar con el modelo más apto.
Inevitablemente, esta técnica conlleva una simplificación. Un modelo
que pretenda ser tan complejo como el mundo real es una utopía.
Además, englobaría tantas variables y ecuaciones que sería intratable
incluso para las computadoras más potentes. Es más práctico trabajar
con modelos sencillos, sin un grado de complicación mayor que el
necesario para englobar todos los factores de importancia vital.
Obviamente los modelos matemáticos en Biología no ambicionan ser
infalibles. Tan solo pretenden ser útiles. Y lo serán siempre que nos

10
proporcionen respuestas realistas, sin necesidad de una complejidad
superflua en su planteamiento.
Además de hacernos comprender mejor los procesos biológicos, los
modelos nos facilitan el pronóstico de comportamientos futuros. La
predicción meteorológica se basa hoy en día en el trabajo de cientos
de complejas ecuaciones con las que los meteorólogos modelizan el
clima. La evolución de la gripe estacional en cuanto a número de
afectados también puede ser pronosticada mediante un modelo
matemático de epidemias. Y el ahorro de costes es otra ventaja. Los
modelos salen muy baratos. Si queremos cuantificar el efecto de un
accidente nuclear sobre la fauna y la flora de una región, ¿no es mejor
simularlo con unas cuantas ecuaciones que masticará un ordenador?
A la hora de modelizar procesos biológicos, las expresiones
matemáticas utilizadas son casi invariablemente las ecuaciones
diferenciales. Como es bien sabido, este tipo de ecuación tiene dos
particularidades. Por una parte, la incógnita buscada no es un número,
sino una función. Además, aparece en la ecuación alguna derivada de
esa función buscada.
¿Qué convierte a las ecuaciones diferenciales en el objeto matemático
más apropiado para modelizar fenómenos de la vida? Su propia
naturaleza. La característica principal que experimenta un proceso
biológico f(t) es que evoluciona con el tiempo. Y el significado
matemático de la derivada f’(t) es fundamentalmente el cambio de f(t)
en función del tiempo. Así, una ecuación en la que aparezcan derivadas
de la función estudiada se convierte en la forma natural de simbolizar
un sistema cambiante.
Generalmente el resultado final no es una asequible ecuación aislada,
sino un sistema con un número de ecuaciones que va desde cuatro o
cinco hasta varias decenas. Su resolución, es decir, el encontrar las
funciones f(t) que describan el fenómeno, no es sencilla con los
métodos analíticos clásicos. En las últimas décadas se han desarrollado
paquetes de software específicos para resolver este tipo de sistemas,
lo que ha convertido al ordenador en una herramienta indispensable
en el trabajo del biomatemático. Las computadoras han sido el
instrumento clave para estrechar el vínculo entre Matemática y
Biología.

11
COMENTARIO FINAL
Son muchos los temas de actualidad investigadora en Dinámica de
Poblaciones. Por ejemplo, los que se refieren a Ecuaciones
Diferenciales con retraso (que surgen de modelos donde, la evolución
en el tiempo del sistema depende no solo del estado presente sino
también del pasado, finito o infinito), los que tratan el tema de Difusión
no lineal (donde el operador Palaciano se sustituye por operadores más
complicados), Control óptimo de más de una especie, etc.
Es también corriente ver anuncios de Congresos internacionales
dedicados a Biología Matemática, donde los temas tratados son de lo
más diverso: Dinámica de poblaciones, Ecología, Propagación de
Epidemias, Neurociencia computacional, Inmunología, etc. También se
han creado recientemente varias revistas de investigación, de difusión
internacional, dedicadas a esta disciplina.
Esto nos da una idea del interés creciente actual en temas de Biología
Matemática. Los Biólogos teóricos plantean numerosos interrogantes,
para los que será necesario la elaboración de modelos matemáticos
adecuados.
El estudio de estos exigirá a su vez, un gran esfuerzo de los
matemáticos por crear nuevos métodos teóricos y computacionales, o
desarrollar al máximo los existentes en la actualidad. Ello exigirá la
creación de equipos interdisciplinares para abordar los problemas
planteados. Ahora bien, esta situación no es exclusiva de la Biología.
Si algo distingue (¿o quizás deberíamos decir que ha distinguido?) a la
Matemática del siglo XX de la de siglos anteriores es su rango de
aplicabilidad. Aparte de su indudable utilidad en las disciplinas clásicas
como Física e Ingeniería, los métodos matemáticos se aplican hoy en
día en Biología, Medicina, Economía, Teoría de la comunicación y
señales, Sismográfica, Oceanografía, etc. de tal forma que la
“modelización matemática” (desde la publicación, en 1.974, del ya
clásico libro de Lin y Segel [24]) tiene ya entidad suficiente como para
ser considerada una disciplina matemática.
Es cierto que siempre habrá (gracias a Dios) matemáticos que solo se
interesen en la “Matemática por la Matemática”, pero también es
indudable que cada vez habrá más “matemáticos aplicados”. Lo exige
el futuro. En 1.746 (¡hace más de 250 años!), la Academia de Ciencias
de Berlín, convocó un concurso (promovido por L. Euler) cuyo tema
trataba sobre el estudio de la causa general de los vientos en la Tierra.
Han cambiado mucho las cosas desde entonces. A pesar de que ningún
modelo matemático es perfecto, como dijo el profesor Jacques Louis
Lions, del College de France, en su discurso del 25/1/1.994, con motivo

12
de 16 su investidura como Doctor Honoris Causa por la Universidad de
Málaga, “La Matemática se ha transformado en un instrumento
universal para la Ciencia y para la Industria”.

CONCLUSIÓN
Hemos empezado estas reflexiones recordando la opinión de un
maestro antiguo. Permítasenos ahora expresar la de un maestro
moderno:
…Los matemáticos exageran un poco las dificultades de su sabiduría.
Las matemáticas, aunque muy extensas, son después de todo, habas
contadas.
Si hoy parecen tan difíciles es porque falta la labor directamente
dirigida a simplificar su enseñanza. Eso me sirve de ocasión para
declarar por primera vez con cierta solemnidad que si no se fomenta
ese género de labor intelectual, dedicada no tanto a aumentar la
ciencia… cuanto a simplificarla… el porvenir de la ciencia misma será
desastroso.
He aquí, separadas por más de veinte siglos, dos visiones críticas sobre
la utilidad de las matemáticas. La primera desafía su capacidad para
abarcar, con sus rígidos métodos, la complejidad del mundo de los
seres vivos, y el de la naturaleza en general.
La historia ha demostrado fehacientemente que al menos una parte de
esta opinión era infundada, y el desarrollo, mutuamente benéfico, pero
no carente de alguna tensión, de la Física y las Matemáticas, así lo
atestigua.
El último texto llama la atención sobre el ensimismamiento de las
Matemáticas (o tal vez de algunos matemáticos), atentas sólo a su
propio desarrollo, considerado como un fin en sí mismo y ajeno al
mundo en el que tiene lugar. Es curioso observar que esta tendencia,
real sin duda, ha coexistido tradicionalmente con la contraria, es decir
con lo que podríamos caracterizar como comportamiento invasor de las
Matemáticas (o tal vez de algunos matemáticos) dispuestos a explicar
a otros investigadores los secretos de sus propias ciencias, tal vez
ocultos a sus ojos tras la maraña de los detalles. Habiendo abusado
sobradamente de la paciencia del lector, a quien por fuerza habrá que
suponer curioso, con la exposición de estas opiniones, concluiremos
con una más. Pensamos que las Matemáticas pueden aportar mucho a
la Biología y a la vez beneficiarse en gran medida de su contacto con
ésta.

13
Empezando por esta última afirmación, cabe observar que el desarrollo
de grandes áreas de las Matemáticas en el siglo XX (como son la
estadística, la teoría de ecuaciones diferenciales, etc.) se ha visto en
gran medida estimulado, cuando no dirigido, por la necesidad de
comprender fenómenos biológicos relevantes.
Por ejemplo, el estudio de los mecanismos de transmisión de señales
en el sistema nervioso ha influido considerablemente en el desarrollo
de la teoría de ondas viajeras en ecuaciones diferenciales, lo que a su
vez ha afectado de modo significativo al tipo de problemática abordada
en ese campo. De hecho, y tomando prestado un término de uso
común, podríamos decir que, en este intercambio, la balanza de pagos
científicos es hasta ahora favorable a la Biología.
Nos toca ahora equilibrarla, y para ello probablemente habrá que
atender a la llamada de Ortega y proceder a un esfuerzo de
simplificación en el método, acompañado por la renuncia a muchas
técnicas, penosamente puestas a punto durante años, y al desarrollo
de otras. Esta selección de contenidos es perfectamente natural, y de
hecho cada generación de investigadores ha abandonado en muchos
casos (y redescubierto en otros) gran parte del trabajo científico de las
generaciones anteriores. La Biología parece necesitar de métodos
cuantitativos potentes, simples (al menos en su manejo), robustos
(capaces de operar bajo cambios significativos en los parámetros
involucrados) y de carácter modular, al estilo de los juguetes Lego,
permitiendo así añadir esquemas nuevos a modelos preestablecidos,
de modo que la interconexión entre lo nuevo y lo viejo sea fácil.
¿Seremos capaces de proporcionar a nuestros colegas en las Ciencias
de la Vida estas técnicas, que probablemente nos llevarán a problemas
matemáticos bellos y profundos?
Tal vez entonces el espíritu de Aristóteles se verá obligado a reconocer,
quien sabe si con oculta satisfacción, que el método matemático es
capaz de arrojar luz en el estudio de cualquier parte de la naturaleza,
y no solo en el mundo de los objetos inanimados.

14
BIBLIOGRAFÍA
1. Apóstol, T. M., Análisis Matemático, Reverté, 1.960
2. Bellomo, N. y Preziosi, L., Modelling mathematical methods and
Scientific Computation, CRC Press, Boca Raton, 1.995.
3. Blat, J. y Brown, K.J., Bifurcation of steady-state solutions in
predatorprey and competition systems, Proceedings of the Royal
Society of Edinburgh, 97, 1.984, 21-34
4. Braun, M., Differential Equations and their applications, Springer-
Verlag, 1.983.
5. Kline, M., Mathematical thought from ancient to modern times, Oxford
University Press, 1.972.
6. Tijonov, A.N. y Samarski, A.A., Ecuaciones de la Física Matemática,
Mir, 1.980
7. Lions, J.L., Discurso de investidura como doctor Honoris Causa por la
Universidad de Málaga, Editado por el Grupo de Ecuaciones
Diferenciales y Análisis Numérico de la Universidad de Málaga, 1.995.
8. HERRERO GARCÍA, M.A. (2006): “Matemáticas y biología: un
comentario de textos”. Encuentros multidisciplinares 23, pp. 37-45

15