Motivación general, sistemas complejos y la estructura del curso
Lecture 01
Miguel Ponce de Leon miguel.ponce@bsc.es
2026-05-05
Motivación
El estudio de sistemas complejos es fundamental para entender fenómenos en diversas áreas, como:
- Dinámica de epidemias
- Crecimiento y evolución de tumores
- Las ciudades
¿Cómo entendemos y predecimos estos sistemas?
Sistemas complejos (I)
Un sistema complejo es un sistema compuesto por muchos componentes que interactúan entre sí [1].
Ejemplos:
- Clima
- Organismos
- Ecosistemas
- Infraestructuras (red eléctrica, transporte)
- Organizaciones sociales y económicas (como las ciudades )
El cancer como un sistema complejo adaptativo
Source: Aguadé-Gorgorió G, Anderson A, Solé R. Modeling tumors as complex ecosystems iScience, 2024; 27
Mobilidad urbana
El tráfico en Londres
Taxistas en Nueva York
Sources:
[1] https://phys.org/news/2019-03-laws-physics-untangle-traffic-stock.html
[2]https://medium.com/data-science/new-york-city-taxi-data-visualization-eda-1c8e9b0a7c5
Las ciudades como sistemas complejo adaptativos
Source: Caldarelli, G et al. The role of complexity for digital twins of cities. Nat Comput Sci (2023)
¿Como se propagan las epidemias?
Source: https://www.wired.com/2015/04/see-diseases-spread-mesmerizing-graphics/
¿Como se difunde la información en la WWW?
Source: https://www.wired.com/2015/04/see-diseases-spread-mesmerizing-graphics/
Sistemas complejos (II)
Algunas propiedades
No lineales
Multi-escala
Propiedades emergentes
Adaptativos
Ejemplos:
dinámica de un ecosistema
crecimiento tumoral
propagación epidémica
las ciudades
La revolución de los datos
La terória de sistemas complejos se ha desarrollado durante décadas, pero en los últimos años ha habido una revolución:
Ha aumentado exponencialmente
- La disponibilidad de datos (de todo tipo)
- La capacidad de procesamiento y almacenamiento
Esto ha transformado la forma en que estudiamos los sistemas complejos
Tipos de datos en ciencia
Trabajamos con distintos tipos de datos:
- Series temporales
- Datos espaciales (geográficos)
- Imágenes
- Datos ómicos
- Datos de sensores
- Redes (interacciones)
Cada tipo de dato tiene estructura propia
Datos estructurados vs no estructurados
Estructurados
- organización clara
- dimensiones definidas
- ejemplos:
- tablas
- series temporales
- matrices
No estructurados
- texto
- imágenes sin procesar
- audio
En este curso nos centraremos en datos estructurados
Dos enfoques en el estudio de sistemas complejos
El problema: Tenemos datos… pero también queremos entender el sistema para poder simular escenarios futuros o evaluar intervenciones.
Enfoque inductivo (data-driven)
- basado en datos - estadistica descriptiva
- machine learning - caja negra
Enfoque deductivo (model-driven)
- basado en hipótesis
- inferencias causales - modelos mecanísticos - simulación
Enfoque inductivo
- Basado en datos
- Machine learning
- Predicción
- Reconocimiento de patrones
Ejemplos:
- predicción de nuevos casos (forecasting)
- clasificación (prediccion de tratamientos)
Enfoque deductivo
- Basado en hipótesis
- Modelos mecanísticos
- Simulación
Ejemplos:
- modelos SIR
- modelos celulares
- modelos de agentes
Limitaciones
Machine learning - Necesita muchos datos
- Difícil de interpretar
- El problema de la generalización
Modelos - Parámetros desconocidos
- Simplificaciones
- Dificultad para ajustarse a datos reales - Validación
Convergencia
Existe una convergencia entre ambos enfoques:
- Simulation-based inference
- Surrogate models
- Neural ODEs
Estos enfoques combinan la capacidad de los modelos para representar mecanismos con la capacidad de los datos para ajustar y validar esos modelos.
Gemelos digitales
Modelo + datos + actualización continua
Ejemplos:
- sistemas biológicos
- epidemias
- ciudades
- Industria
Estructura del curso
Módulo 1: - Procesamiento de datos
Módulo 2: - Simulación de sistemas complejos
Módulo 3: - Exploración de modelos e inferencia
Metodología
- Clases teórico-prácticas
- Un caso de estudio común durante todo el curso:
- Movilidad y epidemias
- Datos espacio-temporales (masivos)
- Trabajo progresivo hacia un proyecto final
Evaluación
Proyecto individual:
- Definición del problema
- Diseño del experimento
- Implementación
- Análisis de resultados
- Informe final reproducible
Herramientas (Python ecosystem)
Datos - pandas, polars, dask, pyarrow, xarray
Modelado - numpy, xarray, scipy
Visualización - seaborn, matplotlib
Machine learning - scikit-learn, statsmodels
Entorno - Jupyter notebooks / JupyterLab
Datos y modelos del curso
Trabajaremos con datos espacio-temporales: - Matrices de movilidad
- Series temporales (incidencia)
- Mapas y capas geográficas
- Simulaciones de epimdemias
Datos reales y simulados
Objetivo
Construir un pipeline completo:
datos → simulación → análisis → exploración → inferencia
¿Qué haremos hoy?
- Trabajar con datos reales:
- Datos de COVID-19 en España
- Datos de movilidad basados en teléfonos móviles
- Explorar y procesar datos
- Realizar algunos análisis básicos
Transición a práctica
Empezamos con datos observados
Datos de movilidad
En esta segunda parte trabajaremos con datos de movilidad poblacional.
Estos datos describen el número de viajes entre zonas geográficas en España.
Cada fila del dataset representa:
- un origen
- un destino
- una fecha
- y un número de viajes
Al igual que los datos de COVID, estos datos están segmentados por distintas dimensiones:
- grupo de edad
- distancia recorrida
- tipo de actividad (origen/destino)
Por tanto, no representan directamente los flujos totales entre regiones
Problema
Queremos construir una representación más simple:
una matriz origen-destino (OD)
Para ello, necesitaremos:
- entender la estructura de los datos
- agregar correctamente
- interpretar el resultado
Conexión con sistemas complejos
Estos datos pueden interpretarse como:
- una red dinámica
- donde los nodos son regiones
- y las aristas representan flujos de personas
Esta red será clave para modelar la propagación de enfermedades