http://rch.retina.ar/hoy28/computacion01.

htm

Volumen 5 - N28

Revista de Divulgacin Cientfica y Tecnolgica de la

Asociacin Ciencia Hoy

Computacin, azar y determinismo

PABLO MIGUEL JACOVKIS

INSTITUTO DE CALCULO Y DEPARTAMENTO
DE COMPUTACION FCEyN (UBA)

Adems de influir profundamente en disciplinas como la matemtica, las ciencias

naturales y las ingenieras, la computacin proporcion nuevos elementos para analizar el
concepto de azar, y su vieja y complicada relacin con el determinismo.

El advenimiento de la computacin en la dcada de los cuarenta y su evolucin posterior

han influido profundamente en la matemtica, las ciencias naturales y las ingenieras. La
computacin irrumpi entre los dems saberes como disciplina cientfica y tecnolgica
autnoma, pero tambin como tcnica auxiliar; en cuyo carcter caus un hondo cambio
en la forma como otras disciplinas pasaron a enfocar sus objetos especficos. A su vez, el
cambio se extendi al conjunto de la sociedad, porque proporcion nuevos elementos
para analizar el concepto de azar; y su vieja y complicada relacin con el determinismo.

Dichos elementos nuevos, que llevaron a reenfocar el azar y el determinismo, fueron la

generacin por computadora de nmeros pseudo-aleatorios, es decir; series
determinsticas que parecen aleatorias ("Generacin de nmeros pseudo-aleatorios"); el
planteo y la resolucin computacional de sistemas muy complejos el tratamiento de
sistemas dinmico no lineales, altamente sensibles a cambios en las condiciones iniciales,
y ciertas caractersticas de estos ltimos sistemas, actualmente muy difundidas, como las
trayectorias caticas que recurren sus variables, que configuran el llamado caos
determinstico.

Desde hace siglos qued planteada, en los ambientes cientficos y filosficos, la discusin
sobre las caractersticas del azar; as como su contraposicin con el determinismo o, en
algunos contextos, la oposicin entre determinismo y libre albedro. Es conocido que, de
Newton en adelante, por mucho tiempo, la ciencia qued asociada con el determinismo, y
que, con la llegada de la mecnica cuntica en virtud del principio de incertidumbre, se
produjo una restauracin del azar.

Es interesante notar; como lo hace lan Hacking, la acentuada

fuerza del paradigma determinista en la primera mitad del siglo
XIX, al punto de que hasta la percepcin de ciertas leyes
estadsticas en los fenmenos sociales era considerada prueba
de que en ellos campeaba una forma de determinismo. De la
misma manera, algunos investigadores, entre los que se puede
mencionar a Penrose, consideran que la mecnica cuntica es
determinstica, porque la ecuacin que describe cmo evoluciona
en el tiempo la funcin de onda -de la cual se obtiene una
distribucin de probabilidades- es sin duda determinstica.

EL AZAR

Es difcil dar una definicin de azar que satisfaga a todos, ni siquiera a todos los
cientficos, en muchos de los cuales anida un rechazo instintivo del concepto: recurdese
el Dios no juego a los dados, de Einstein. Me limitar, por consiguiente, a indicar algunas
interpretaciones posibles de la idea de azar:

IGNORANCIA

Si llego, apurado por subir a un piso alto, a un edificio que tiene dos ascensores con
controles tales que si llamo a uno no podr llamar al otro; y si deseo llamar al que est
ms cerca pero no hay un indicador que me informe dnde se encuentran (y ninguno est
en la planta baja), podr decir que la posicin de los ascensores es aleatoria para m,
aunque, en realidad, estn en lugares perfectamente determinados.

La nocin de azar como ignorancia est asociada a lo que se llama probabilidad subjetivo,
uno de cuyos principales estudiosos fue el economista britnico John Maynard Keynes: si
el edificio tuviera diez pisos y hubiese un indicador de la posicin de uno de los
ascensores pero no del otro, la actitud de muchas personas (incluido el autor de este
artculo) sera llamar al ascensor cuya ubicacin conocen en el caso de que estuviera
entre los pisos primero y quinto, y al otro en el caso de que el ubicable se encontrara entre
los pisos sexto y dcimo. Esta actitud se basa en el denominado principio de indiferencia:
en ausencia de informacin, se da la misma probabilidad a todas las alternativas.
Esta nocin de azar ha sido muy cuestionada desde que comenz a formalizarse el
clculo de probabilidades, debido a las importantes dificultades tcnicas que aparecen
cuando se trata de usarla en la construccin de una teora matemtica de la probabilidad,
pero sigue teniendo valor operativo: consciente o inconscientemente, casi todas las
personas que se consideran racionales la usan en la vida diaria.

COMPLEJIDAD

Un sistema matemtico (que represente o no a uno de otra ndole) puede ser

perfectamente determinstico, pero si la cantidad de variables que incluye y de ecuaciones
que definen el comportamiento de esas variables es muy grande, no podrn preverse las
consecuencias de los cambios que se produzcan en dichas variables, simplemente por
imposibilidad tcnica de calcularlas. En tales circunstancias, sobre todo antes de la era de
la computadora, se deba simplificar el sistema para poder prever su evolucin, con lo que
los efectos de las variables desestimadas u ocultas pasaban a ser concebidos como
perturbaciones aleatorias.

Para casos como este, conviene definir complejidad de la manera ms precisa posible. En
los aos sesenta, G. Chaitin, entonces estudiante en Nueva York y A. N. Kolmogorov,
eminente acadmico sovitico, propusieron en forma simultnea e independiente una
definicin interesante para analizar la relacin entre complejidad y azar. Identificaron la
complejidad como la caracterstica que define una serie aleatoria de (muchos) nmeros; y
sugirieron que una serie de n nmeros (con n grande) es aleatoria cuando, para poder
generarla mediante un programa de computadora, este requiere un nmero de
instrucciones ms o menos igual a n. En lenguaje algo ms preciso, una serie de nmeros
es aleatoria si el algoritmo ms corto capaz de especificar la serie para que la reproduzca
una computadora tiene ms o menos el mismo nmero de bits de informacin que la
propia serie.

El problema de esta definicin es que reduce el azar a complejidad. En este artculo

sostengo que la complejidad es slo una de las posibles acepciones del azar: podra
considerrsela semejante a la de azar como resultado de la ignorancia, pues
desconocemos cmo funciona un sistema complejo. Sin embargo, prefiero distinguir azar
como complejidad de azar como ignorancia, y reservar la ltima categora para la
ignorancia de situaciones simples, que es tcnicamente fcil de eliminar (en el caso de los
ascensores, bastara subir, a lo sumo, diez pisos por la escalera para saber dnde
encontrar cada uno).

INESTABILIDAD

Si un sistema que se puede observar y tambin representar mediante un modelo

matemtico, evoluciona a lo largo del tiempo en forma determinista (es decir si el valor
que toman, en cada instante, las variables que lo describen es una funcin del valor de
dichas variables en el momento inicial), en teora habr una forma de calcular dicha
sucesin temporal de valores, por lo comn de manera aproximada, mediante un
algoritmo computacional. Pero, si partiendo de situaciones iniciales muy parecidas o
cercanas, el modelo llega a resultados muy distintos, como siempre hay lmites de
precisin en la descripcin cuantitativa, el resultado puede ser impredecible. Hemos
usado ac, por primera vez, el trmino impredecible como sinnimo de aleatorio o
azaroso; contrariamente, podramos decir que algo es predecible cuando, a partir de la
informacin de que se dispone, se puede calcular mediante un algoritmo, con razonable
precisin, los resultados que interesa establecer. En los sistemas inestables ese algoritmo
no existe, por lo menos para ciertos datos del momento inicial y determinados resultados
alejados en el tiempo de ese momento. Los resultados obtenidos con una computadora no
son mejores que los totalmente distintos obtenidos con otra, independientemente de la
precisin con que las mquinas midan los datos iniciales, ya que, justamente por tratarse
de sistemas inestables, aun los resultados que arroje la computadora presente ms
precisa podran diferir substancialmente de los que calcule una futura capaz de lograr
mayor precisin.

AZAR INTRINSECO O ESENCIAL

Se puede considerar, por ltimo, que el mundo que experimentan nuestros sentidos y el
microscpico estn intrnsecamente sujetos al azar. En el mundo que describe la
mecnica cuntica, el principio de incertidumbre de Heisenberg y, por consiguiente, el
azar son aceptados por los fsicos -con entusiasmo o con resignacin-, aunque ms no
fuere para escapar de concluir que todo est determinado, incluso lo que se les pueda
ocurrir espontneamente en cualquier instante La existencia intrnseca del azar se
concibe de dos maneras: como una propiedad constitutiva de lo que podramos llamar
nuestro mundo real, y como el resultado de la transposicin a este, amplificados, de los
fenmenos cunticos Ambos enfoques son en estos momentos objeto de muchsimas
discusiones, que sera sumamente difcil tratar de resumir

GENERACION DE NUMEROS PSEUDO- ALEATORlOS

Cuando la computadora hizo su aparicin, su capacidad de hacer velozmente cuentas

aritmticas con muchos nmeros permiti plantear y resolver problemas matemticos
antes inaccesibles y por consiguiente, abordar cuestiones de las ciencias naturales que
hasta entonces no se haban podido siquiera modelizar matemticamente. Adems,
permiti aplicar a problemas de ciencia e ingeniera, el mtodo de simulacin que consiste
en identificar la mejor solucin entre muchas que se ensayan en la computadora; en otras
palabras, en vez de utilizar un algoritmo que arroje la solucin ptima, se corren en la
computadora, a ttulo experimental, distintos -incluso muchos- casos posibles para elegir
aquel cuyas caractersticas sean ms adecuadas.

A menudo, los fenmenos que se quieren simular incluyen sucesos aleatorios (por
ejemplo, la llegada de clientes a una cola: cunto despus de que arribe uno
determinado lo har el siguiente?), que es necesario reflejar en el programa de
computacin. Cmo reflejar aleatoriedad en tal programa, dado que por su construccin
la computadora es un aparato determinista?
Von Neumann fue el primero que realiz una simulacin de este tipo. Necesitaba calcular
las consecuencias de un flujo de neutrones a travs de un medio; conoca las
probabilidades de que cada neutrn chocara con un tomo y en tal caso, las de que fue ra
absorbido por el tomo, dispersado, o fisionara a este. Adems, era ms barato y seguro
seguir las trayectorias de los neutrones en listas de computadora que hacer experimentos
reales con ellos. Von Neumann imagin un procedimiento para generar nmeros que
parecieran aleatorios: mediante un algoritmo matemtico, y a partir de un nmeno inicial
que llam semilla, defina tantos como necesitaba, en forma iterativa (cada uno a partir del
anterior), distribuidos uniformemente en cierto intervalo.

Con series de nmeros as generados, se pueden establecer otras que sigan

distribuciones estadsticas no unifonrnes (normal, exponencial, de Poisson, etc.). Qu
nmeros que produce el algoritmo de von Neumann se someten a estos tests, como si no
hubiesen sido generados en forma determinstica, y si la prueba no desmiente su
hipottica aleatoriedad, se los considera aleatorios a todo efecto prctico ("Tests
estadsticos" y "La evaluacin de los nmeros pseudo-aleatorios").

El mtodo usado por Von Neumann era bastante primitivo, pero posteriormente los
algoritmos de generacin por computadora de nmeros pseudo-aleatorios se refinaron,
hasta alcanzar gran efectividad en los programas que simulan fenmenos aleatorios. En
cada corrida de computadora la semilla debe ser distinta, pues de lo contrario aparecer
la misma serie. La semilla es un dato de partida que debe tener por razones tcnicas,
ciertas propiedades; en algunos programas, para evitar la subjetividad inherente a
elecciones humanas, la semilla se fija automticamente, por ejemplo, tomando la fecha u
hora que registre la computadora.

La longitud de una serie pseudo-aleatoria no puede ser excesiva, pues en la computadora

slo cabe un nmero finito de nmeros distintos: si al cabo de cierto tiempo un nmero se
repite, la serie comenzara a reiterarse; pero como es normal usar computadoras que
almacenan por lo menos 232 nmeros enteros, se pueden realizar sin obstculos
simulaciones aceptablemente prolongadas.

Obsrvese que la aleatoriedad de estas series determinsticas se establece utilizando el

criterio de que se consideran aleatorias mientras no se pruebe lo contrario (que en jerga
suele llamarse criterio de falsacin): si en el futuro los estadsticos disearan tests ms
exigentes, el algoritmo de generacin de nmeros pseudo-aleatorios deber ser mejorado.
Podra tambin decirse que si se somete a un estadstico competente, sin revelarle su
origen, una serie pseudo-aleatoria, y este no detecta su origen determinista, la serie se
considerar por definicin aleatoria.

Esta clase de enfoque pragmtico tiene antecedentes ilustres: cuando, en los albores de
la computacin, se comenz a discutir sobre inteligencia artificial (o sea, sobre si las
computadoras podran alguna vez reemplazar el cerebro de las personas), se quiso definir
un criterio para establecer si una computadora era inteligente. Turing propuso una
definicin basada en un test sencillo: se prepara un programa de computacin que
conteste inteligentemente preguntas que le sean formuladas mediante un dispositivo de
entrada de datos, y se formulan esas preguntas paralelamente a una computadora y a
una persona (se supone que la segunda es inteligente, aunque Turing no lo explicita). Si
una serie de individuos, que no saben cules de las respuestas que reciben provienen del
ser humano y cules de la mquina, se equivocan un nmero razonable de veces en
atribuirlas a uno o a la otra, se debe considerar que la computadora es inteligente. Es
decir es inteligente aquello que parece inteligente.

Las series pseudoaleatorias son la base de modelos de simulacin con componentes

estocsticos (como las colas de espera, que vimos), ejemplos muy interesantes de
transformacin de la matemtica en ciencia cuasi experimental, con la computadora como
laboratorio virtual. Escribo la partcula cuasi para sealar que la computadora no
reemplaza completamente al experimento tradicional: si la simulacin da origen a una
nueva teora, har falta ir al laboratorio fsico para ponerla a prueba. Que la matemtica,
en particular la aplicada, pueda ser una disciplina terico-experimental, constituye una de
las revoluciones ocasionadas por la computadora; las discusiones sobre este tema estn
apenas en sus comienzos.

SISTEMAS COMPLEJOS

La computadora permiti la construccin de modelos matemticos mucho ms complejos

que los empleados antes de su existencia; es decir modelos con ms variables y ms
relaciones funcionales entre estas. Pero, para procesarlos, dado que en la mayora de los
casos sus ecuaciones no podan ser resueltas en su forma original por una computadora,
los modelos debieron ser alterados con el fin de adaptarlos a mtodos numricos
aproximados de resolucin, que efectivamente puedan pasarse por la computadora.

Muchos de estos modelos matemtico-computacionales tienen tal complejidad de

ecuaciones y tal cantidad de variables que no se logra un buen conocimiento terico de su
caractersticas, en particular de su estabilidad (la propiedad de que los resultados no
varien demasiado ante cambios pequeos de los datos de entrada). Corriendo el modelo
con distintos datos de entrada, se pueden hacer pruebas empricas de la estabilidad, que
sirven para detectar inestabilidades pero no para rechazar la posibilidad de que existan.

Si el modelo de un fenmeno fsico poco conocido arrojase resultados inesperados, y no

se encontrara una teora que explicase ese comportamiento, esos resultados se
consideraran aleatorios, en el sentido de im predecibles, aunque el modelo no fuera
inestable. Pero como el modelo, que representa al fenmeno fsico, seguramente fue
alterado para utilizar mtodos numricos, manejables por la computadora, se estara ante
una de las siguientes situaciones:

Que el modelo matemtico represente bien al fenmeno fsico y sea estable, pero los
mtodos numricos usados no sean buenos y permitan la propagacin y amplificacin de
errores. Es el caso ms fcilmente explicable y subsanable: un buen analista numrico
podra, en la mayora de los casos, darse cuenta de los problemas y encontrar un mtodo
mejor, a veces a costa de muchsimo ms trabajo computacional. Se trata de una
situacin de aleatoriedad espuria.

Que el modelo matemtico represente al fenmeno fsico pero sea inestable e,

inevitablemente, impredecible a la corta o la larga. A veces un especialista en sistemas
dinmicos advertira las causas matemticas de la inestabilidad y hasta demostrara la
necesidad terica de su existencia. Pero si el modelo representara bien al fenmeno
fsico, esa inestabilidad matemtica reflejara una inestabilidad fsica.

Que el modelo matemtico arroje resultados inesperados pero no est claro si es porque
refleja un fenmeno real, no observado en el laboratorio, o debido a que no representa
bien al hecho fsico. Son problemas que se presentan cada vez con mayor frecuencia, a
medida que, en substitucin de costosos experimentos, se construyen modelos
matemticos ms complejos para simular situaciones reales.

Como se puede imaginar estos problemas no se planteaban antes de la era de la

computadora, porque en esos tiempos era imposible resolver modelos de alta complejidad

EL CAOS DETERMINISTICO

Durante la mayor parte de la historia de la ciencia fue comn representar los procesos
mediante aproximaciones lineales (es decir por ecuaciones de primer grado o lineas
rectas), cuya simplicidad las hace de resolucin relativamente fcil. De hecho, antes de la
era de la computadora la linealizacin de los modelos era, en la mayora de los casos, la
nica posibilidad de obtener soluciones explcitas. La difusin de la computadora como
instrumento cotidiano del trabajo cientfico permiti afrontar problemas para los cuales la
linealizacin resulta una simplificacin excesiva, y provoc, como consecuencia lgica,
que el mundo cientfico -en particular los fsicos- comenzara a investigar fenmenos no
lineales, a menudo con comportamientos muy distintos de los lineales.

Los sistemas dinmicos (es decir que evolucionan en el tiempo) lineales haban sido
estudiados con mucho detalle por los matemticos, pero los no lineales comenzaron a
serlo -con un nmero rpidamente creciente de cultores- desde hace no ms de unos
treinta aos. Son especialmente atractivos para los especialistas los sistemas no lineales
inestables, en los cuales pequeos cambios del estado inicial provocan grandes
alteraciones de los resultados, tan grandes que, a partir de cierto punto, se pierde el
control de las trayectorias de las variables y no se puede predecir su comportamiento,
aunque las ecuaciones diferenciales que lo rigen estn perfectamente especificadas.

Estos sistemas se denominan, usualmente, sistemas caticos, y ha acuado la expresin

caos determinstico para reflejar concretamente la situacin que describe el prrafo
anterior. Comentemos que las condiciones iniciales nunca estn suficientemente
especificadas: o provienen de estimaciones ms o menos razonables, como muchas
veces sucede en economa; o son medidas con instrumentos cuya precisin, por alta que
fuese, siempre tiene un lmite. Nunca se puede introducir en la computadora datos de
mayor precisin que la de esta cuando representa nmeros reales: si la sensibilidad del
modelo supera la precisin de la computadora o de los instrumentos de medicin, la
trayectoria de las variables ser indeterminada.

Qu clase de indeterminacin es esta? En algn sentido, se est en una situacin

parecida a la de los nmeros pseudo-aleatorios, aunque en el segundo caso se sabe que
la serie es determinstica y fue construida para que parezca aleatoria, mientras que con
los sistemas dinmicos no lineales inestables, debido al tipo de modelo, se va perdiendo
informacin y se llega a un alto grado de desorden. La situacin es anloga a la de otros
modelos inestables pero no necesariamente dinmicos; la diferencia es que en ellos se
conoce que la inestabilidad proviene del modelo, mientras que en el caos detenminstico
se ignora si la inestabilidad se origina en el modelo, el mtodo numrico, o si simplemente
no hay inestabilidad sino un modelo muy complejo.

LA PERDIDA DE LA COMPLEJIDAD

En los casos descriptos siempre existe la posibilidad de considerar que la dimensin

aleatoria se debe a la complejidad del mundo real, como resulta claro en la meteorologa,
cuyos modelos incluyen muchas variables. Pero, en 1963, el meteorlogo E. N. Lorenz
encontr que un sistema dinmico con slo tres variables independientes se comportaba
en forma catica. El hecho es, a mi juicio, muy importante: no sorprende que los sistemas
no lineales se comporten en forma diferente de los lineales; pero que el caos no dependa
de la complejidad sino, exclusivamente, de la no linealidad, es un hallazgo novedoso y
espectacular

CONCLUSIONES

El uso de tcnicas computacionales ha permitido simular fenmenos aleatorios mediante

comportamientos determinsticos imposibles de advertir con las tcnicas estadsticas
actuales. Todo hace pensar que tests estadsticos ms potentes no harn variar la
situacin. De todos modos, estos ejemplos de determinismo indetectable no alteran las
caractersticas de la ciencia como disciplina descriptiva, explicativa y predictiva.

En primer lugar a todo efecto prctico, muchos sistemas pueden considerarse

determinsticos, aunque estrictamente no lo sean; a pesar de ello, el progreso del
conocimiento cientfico y tecnolgico que han ocasionado es extraordinario. En segundo
lugar en muchos sistemas el componente aleatorio -intrnseco o encuadrado en cualquiera
de las otras interpretaciones del azar mencionadas- es poco importante, aunque no sea
totalmente despreciable: la aleatoriedad se refleja en una perturbacin o ruido en el
modelo, tal vez algo molesto, pero que no impide, de todos modos, predecir el
comportamiento del sistema. Y en tercer lugar incluso en los sistemas afectados por el
caos determinstico, en muchos casos, las trayectorias se van descontrolando
paulatinamente pero, sin embargo, se pueden predecir si bien con precisin cada vez
menor a medida que transcurre el tiempo. Ello no quita importancia a las predicciones:
que no se pueda hacer un pronstico meteorolgico para dentro de seis meses no es
razn para creer que el realizado para maana sea incorrecto.

Como ltimo comentario, es interesante observar que la evolucin del conocimiento

cientfico hizo variar los modelos matemticos deterministas. Pasaron del tipo ideal de
Laplace, en el que el conocimiento del sistema en un instante permitira conocer todo el
futuro y todo el pasado (o modelos simtricos con respecto a la variable temporal, que
puede ser indistintamente t o -t), al tipo irreversible, que permitira conocer el futuro pero
no el pasado y finalmente, a aquellos que no proporcionan conocimiento de un futuro
suficientemente lejano, como son los modelos dinmicos inestables no lineales. Con el
avance del conocimiento en las ciencias exactas y naturales, sin perder su carcter
determinista, los modlos matemticos reflejan cada vez ms nuestra ignorancia, primero
del pasado y luego del futuro. Irteresante contradiccin.

LECTURAS SUGERIDAS

CHAITIN, G.J., 1975, "Randomness and Mathematical Proof", Scientific American, 232:47-
52

D'ATTELLIS, C., 1992, "Comportamiento catico", Ciencia hoy, 3:38-45

HACKING, I., 1991, The Taming of Chance, Cambridge universitary Press, Cambridge,
Mass. Traduccin castellana: La domesticacin del azar, Gedisa, Madrid, 1992.

HAMMERSLEY, J.M. y HANDSCOMB, D.C., 1964, monte Carlo Methods, Methuen,

London

KNUTH, D., 1969, "Seminumerical Algorithms", en The Art of Computer Programming, v.2,
Addison-Wesley, Reading, Mass.

LORENZ, E.N., 1963, "Deterministic Nonperiodic FIow", Journal of Atmospheric Science,

20:130-141.

PENROSE, R, 1989, The Emperor's New Mind, Oxford University Press, Oxford.
Traduccin castellana: La nueva mente del emperador, Mondadori, Madrid,1991.

'TURING, A., 1950, "Computing Machinery and Intelligence", Mind, 59:433-460.

Reproducido parcialmente en: D.R. HOFSTAEDTER y D.C. DENNET 1981, The Mind's I,
Basic Books, New York Traduccin castellana: El ojo de la mente. Fantasias y reflexiones
sobre el yo y el almo, Sudamericana, Buenos Aires,1983.

VON MISES, R., 1981, Probability, Statistics and Truth, Dover New York.