Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 852
APLICACIONES DE LA MODELACIÓN MATEMÁTICA EN LA SOLUCIÓN DE
PROBLEMAS COMPLEJOS EN CIENCIAS Y SOCIEDAD
APPLICATIONS OF MATHEMATICAL MODELING IN SOLVING COMPLEX
PROBLEMS IN SCIENCE AND SOCIETY
Autores: ¹Nixon Santiago Fonseca Loya, ²Darwin Danilo Caiza García, ³Martha Rebeca Cevallos
Taimal,
4
Susana del Pilar Vargas Chavarrea y
5
Miguel Ángel Casa Chicaiza.
¹ORCID ID: https://orcid.org/0009-0008-3699-8737
²ORCID ID: https://orcid.org/0009-0009-8572-1491
3
ORCID ID:
https://orcid.org/0009-0004-9211-4191
4
ORCID ID:
https://orcid.org/0009-0004-3546-6959
5
ORCID ID:
https://orcid.org/0009-0006-4461-695X
¹E-mail de contacto: nixon.fonseca@docentes.educacion.edu.ec
²E-mail de contacto: danilo.caiza@docentes.educacion.edu.ec
³E-mail de contacto: rebeca.cevallos@docentes.educacion.edu.ec
4
E-mail de contacto:
susanap.vargas@docentes.educacion.edu.ec
5
E-mail de contacto:
angel.casa@educacion.gob.ec
Afiliación:
1*2*3*4*5*
Unidad Educativa Juan Montalvo, (Ecuador).
Artículo recibido: 16 de Noviembre del 2025
Artículo revisado: 18 de Noviembre del 2025
Artículo aprobado: 20 de Noviembre del 2025
¹Ingeniero en Minas graduado de la Universidad Central del Ecuador, (Ecuador). Magíster en Educación mención en Pedagogía en
Entornos Digitales graduado en la Universidad Tecnológica Indoamérica, (Ecuador).
²Licenciado en Ciencias de la Educación mención Matemática y Física graduado de la Universidad Central del Ecuador, (Ecuador).
³Licenciada en Ciencias de la Educación mención Matemática y Física graduada de la Universidad Central del Ecuador, (Ecuador).
Magíster en Pedagogía de las Ciencias Experimentales mención Matemática y Física graduada en la Pontificia Universidad Católica del
Ecuador, (Ecuador).
4
Licenciada en Ciencias de la Educación mención en Física Matemática en la Universidad Técnica Particular de Loja, (Ecuador).
Tecnóloga Informática graduada en la Pontificia Universidad Católica del Ecuador sede Ibarra, (Ecuador).
5
Licenciado en Ciencias de la Educación mención Físico Matemáticas graduado en la Universidad Técnica Particular de Loja, (Ecuador).
Resumen
La modelación matemática se ha consolidado
como una herramienta esencial para
comprender y abordar problemas complejos
que emergen en las ciencias y en los sistemas
sociales contemporáneos. Este artículo
presenta una revisión narrativa centrada en
estudios publicados entre 2020 y 2025,
destacando los avances, aplicaciones y desafíos
de esta metodología en ámbitos
interdisciplinarios. La evidencia científica
muestra que los modelos matemáticos permiten
representar fenómenos dinámicos, no lineales y
multicausales mediante estructuras formales
que facilitan la predicción, simulación y
evaluación de escenarios alternativos. En
ciencias naturales y de la salud, su uso ha sido
determinante para analizar la dinámica de
enfermedades infecciosas, simular procesos
ecológicos, resolver problemas físico-químicos
y optimizar intervenciones basadas en datos.
En las ciencias sociales, los modelos basados
en agentes, la dinámica de sistemas y los
enfoques econométricos han demostrado
utilidad para estudiar procesos colectivos,
comportamientos humanos, movilidad urbana,
desigualdad y toma de decisiones públicas.
Finalmente, la modelación de sistemas
complejos integra teoría de redes, inteligencia
artificial y simulación computacional, lo que
amplía la capacidad para abordar fenómenos
donde convergen dimensiones ambientales,
tecnológicas y sociales. Los resultados
evidencian que la modelación matemática
constituye un puente metodológico
indispensable para la investigación aplicada, la
anticipación de riesgos y el diseño de políticas
públicas efectivas.
Palabras clave: Aplicaciones, Modelación
matemática, Solución de problemas
complejos, Ciencia, Sociedad.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 853
Abstract
Mathematical modeling has become an
essential tool for understanding and addressing
complex problems emerging across
contemporary scientific and societal systems.
This article presents a narrative review focused
on studies published between 2020 and 2025,
highlighting advances, applications, and
challenges associated with this methodology in
interdisciplinary fields. Scientific evidence
shows that mathematical models enable the
representation of dynamic, nonlinear, and
multicausal phenomena through formal
structures that facilitate prediction, simulation,
and evaluation of alternative scenarios. In
natural sciences and health, modeling has been
crucial for analyzing infectious disease
dynamics, simulating ecological processes,
solving physico-chemical problems, and
optimizing data-driven interventions. In social
sciences, agent-based models, system
dynamics, and econometric approaches have
shown significant utility in examining
collective processes, human behavior, urban
mobility, inequality, and public decision-
making. Moreover, the modeling of complex
systems integrates network theory, artificial
intelligence, and computational simulation,
expanding analytical capabilities to address
phenomena where environmental,
technological, and social dimensions converge.
The findings demonstrate that mathematical
modeling constitutes an indispensable
methodological bridge for applied research,
risk anticipation, and the design of effective
public policies. Overall, mathematical
modeling emerges as a powerful
interdisciplinary tool that enhances scientific
understanding, informs evidence-based
governance, and contributes to more adaptive
and resilient societies.
Keywords: Applications, Mathematical
modeling, Complex problem solving,
Science, Society.
Sumário
A modelagem matemática tornou-se uma
ferramenta essencial para compreender e
enfrentar problemas complexos que emergem
tanto nas ciências quanto nos sistemas sociais
contemporâneos. Este artigo apresenta uma
revisão narrativa baseada em estudos
publicados entre 2020 e 2025, destacando
avanços, aplicações e desafios associados a essa
abordagem interdisciplinar. As evidências
científicas demonstram que os modelos
matemáticos permitem representar fenômenos
dinâmicos, não lineares e multicausais por meio
de estruturas formais que facilitam a previsão,
simulação e avaliação de cenários alternativos.
Nas ciências naturais e da saúde, a modelagem
tem sido fundamental para analisar a dinâmica
de doenças infecciosas, simular processos
ecológicos, resolver problemas físico-químicos
e otimizar intervenções orientadas por dados.
Nas ciências sociais, modelos baseados em
agentes, dinâmica de sistemas e métodos
econométricos têm se mostrado úteis para
investigar processos coletivos, comportamento
humano, mobilidade urbana, desigualdade e
tomada de decisões públicas. Além disso, a
modelagem de sistemas complexos integra
teoria de redes, inteligência artificial e
simulação computacional, ampliando a
capacidade analítica para tratar fenômenos que
envolvem dimensões ambientais, tecnológicas e
sociais. Os resultados evidenciam que a
modelagem matemática é um instrumento
metodológico indispensável para a pesquisa
aplicada, a antecipação de riscos e o
planejamento de políticas públicas eficazes.
Palavras-chave: Aplicações, Modelagem
matemática, Resolução de problemas
complexos, Ciência, Sociedade.
Introducción
La modelación matemática se ha consolidado
como un instrumento esencial para la
comprensión y solución de problemas
complejos que emergen tanto en las ciencias
como en los sistemas sociales, donde la
incertidumbre, la no linealidad y las
interacciones múltiples requieren enfoques
analíticos rigurosos. Según Al Dahouk et al.
(2022), los modelos matemáticos permiten
representar fenómenos multidimensionales
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 854
mediante estructuras formales que facilitan la
predicción y la toma de decisiones en entornos
dinámicos. En el ámbito científico, Wang et al.
(2023) destacan su aplicabilidad en la
simulación de procesos epidemiológicos,
climáticos o biológicos, lo que permite anticipar
escenarios y evaluar intervenciones. Por su
parte, Li et al. (2021) sostienen que, en
contextos sociales, la modelación contribuye a
analizar comportamientos colectivos, flujos
económicos y patrones educativos mediante
modelos estadísticos, computacionales o
híbridos. Así, la modelación matemática se
presenta como una herramienta transversal que
integra datos, teoría y simulación para
transformar realidades complejas en
conocimiento estructurado útil para la ciencia y
la sociedad.
En los últimos años, el avance de la analítica de
datos, la computación de alto rendimiento y la
inteligencia artificial ha potenciado las
capacidades predictivas y explicativas de la
modelación matemática aplicada a problemas
científicos y sociales. Según Müller et al.
(2023), estas herramientas permiten construir
modelos más robustos y adaptativos, integrando
grandes volúmenes de datos provenientes de
sensores remotos, plataformas digitales o
sistemas de monitoreo socioeconómico. En el
campo de la salud pública, Rocklöv (2022)
evidencia que los modelos multiescala han
permitido identificar patrones de transmisión de
enfermedades emergentes y evaluar estrategias
de mitigación basadas en evidencia.
Complementariamente, Rahmandad et al.
(2021) explican que los modelos de dinámica de
sistemas se utilizan ampliamente para entender
fenómenos sociales como la desigualdad, la
migración o la respuesta colectiva ante crisis.
Esto demuestra que la modelación matemática
constituye un puente entre el análisis
cuantitativo y la toma de decisiones informada
en múltiples dominios científicos y sociales. La
naturaleza interdisciplinaria de la modelación
matemática permite combinar marcos
conceptuales provenientes de la física, biología,
ingeniería, economía y sociología para abordar
problemas de alta complejidad. Según Hens et
al. (2022), esta integración facilita representar
sistemas adaptativos donde intervienen
múltiples actores y variables, como los
ecosistemas, las ciudades, los mercados
financieros o los sistemas educativos. En
ciencias ambientales, Chen et al. (2024)
demuestran que los modelos matemáticos
permiten analizar riesgos asociados al cambio
climático y simular escenarios de impacto sobre
comunidades vulnerables.
En paralelo, en Ciencias Sociales, Bargain y
Morawski (2021) identifican que el uso de
modelos basados en agentes ha permitido
comprender fenómenos como la toma de
decisiones colectivas, la polarización política o
la difusión de información. La potencia
metodológica de la modelación matemática
permite, por tanto, captar las interacciones que
generan patrones complejos, abriendo nuevas
perspectivas para intervenir en realidades
científicas y sociales. La modelación
matemática no solo aporta al análisis y la
predicción, sino también al diseño de políticas
públicas basadas en evidencia. De acuerdo con
Allen et al. (2022), los modelos permiten
evaluar opciones estratégicas antes de su
implementación, reduciendo riesgos y
optimizando recursos en sectores como salud,
educación, movilidad o urbanismo. Asimismo,
Calderón et al. (2023) señalan que la
modelación se ha convertido en un instrumento
clave para analizar comportamientos
poblacionales y proyectar escenarios
socioeconómicos frente a eventos disruptivos
como pandemias, desastres naturales o crisis
económicas. En esta línea, la convergencia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 855
entre modelación matemática y gobernanza
basada en datos ofrece nuevas oportunidades
para construir sociedades más resilientes e
informadas.
A nivel global, los problemas complejos que
afectan a las ciencias y a la sociedad han
adquirido una magnitud creciente debido a la
interdependencia entre sistemas ecológicos,
sanitarios, tecnológicos y económicos, lo que
exige enfoques matemáticos capaces de
capturar comportamientos emergentes y no
lineales. Según Bar (2020), los sistemas
complejos presentan dinámicas multicausales
que superan los métodos analíticos
tradicionales, requiriendo modelos avanzados
que integren múltiples variables. En el ámbito
científico, Walker et al. (2022) destacan que
fenómenos como pandemias, fluctuaciones
climáticas o degradación ambiental se
amplifican por la globalización y la movilidad
humana, incrementando la incertidumbre. En
América Latina, la vulnerabilidad estructural y
las desigualdades socioeconómicas intensifican
los efectos de eventos extremos, como
evidencian los estudios de Marquez y Ferreira
(2023) respecto al impacto desigual del cambio
climático sobre poblaciones vulnerables. A
nivel local, la toma de decisiones enfrenta
limitaciones por la falta de herramientas
predictivas integradoras, incluso en sectores
como salud, movilidad urbana y gestión
ambiental, tal como señalan Ríos et al. (2021).
En este escenario, la ausencia de modelos
matemáticos adecuados obstaculiza la
anticipación de riesgos y la formulación de
políticas públicas oportunas, lo que convierte la
modelación matemática en una necesidad
urgente para transformar datos fragmentados en
conocimiento aplicable a contextos científicos y
sociales.
La modelación matemática se justifica como un
recurso indispensable para abordar los desafíos
multidimensionales que caracterizan la realidad
científica y social contemporánea, debido a su
capacidad para integrar datos, teorías y
simulación en un marco coherente de análisis.
Según Hens et al. (2022), la modelación
interdisciplinaria permite representar
interacciones complejas y evaluar escenarios
alternativos antes de la toma de decisiones. En
salud pública, Moore et al. (2023) han
demostrado que los modelos matemáticos son
esenciales para anticipar la dinámica de brotes
epidémicos y optimizar intervenciones. En lo
social, González-Bailón (2021) evidencia que
los modelos basados en agentes permiten
comprender la difusión de información y los
patrones colectivos en redes digitales. Además,
en economía y políticas públicas, Bloom et al.
(2022) muestran que los modelos estocásticos
proporcionan herramientas sólidas para evaluar
impactos macroeconómicos. Por otra parte,
Newman (2023) señala que la teoría de redes
complejas fortalece la comprensión de la
resiliencia y vulnerabilidad de sistemas críticos.
En consecuencia, esta revisión narrativa se
justifica por su capacidad para sintetizar
evidencia reciente y resaltar el rol de la
modelación matemática como puente entre
ciencia, tecnología y sociedad, aportando
insumos para la planificación estratégica y la
formulación de soluciones basadas en
evidencia.
Por consiguiente, el objetivo general de este
artículo es analizar, mediante una revisión
narrativa, las aplicaciones contemporáneas de la
modelación matemática en la solución de
problemas complejos presentes en las ciencias y
en la sociedad, considerando su capacidad para
integrar datos, teorías y enfoques
computacionales que faciliten la comprensión
de fenómenos multidimensionales. A partir de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 856
la magnitud y diversidad de problemas
complejos que afectan simultáneamente a las
ciencias y a la sociedad, surge la necesidad de
formular una pregunta que guíe el análisis
crítico de esta revisión y permita estructurar la
comprensión del rol de la modelación
matemática en dichos contextos. En este
sentido, la investigación plantea la siguiente
interrogante central: ¿Cómo se está aplicando la
modelación matemática entre 2020 y 2025 para
comprender, predecir y resolver problemas
complejos en campos científicos?
Materiales y Métodos
La presente revisión se desarrolló bajo un
enfoque narrativo, orientado a sintetizar y
analizar el estado del arte sobre las aplicaciones
de la modelación matemática en problemas
complejos de las ciencias y la sociedad. Se
empleó una estrategia de búsqueda exhaustiva
en bases de datos académicas reconocidas
internacionalmente, PubMed, Scopus, Web of
Science, SciELO y Redalyc, con el fin de
identificar trabajos pertinentes publicados entre
2020 y 2025. Se utilizaron palabras clave en
español e inglés relacionadas con el tema, tales
como “modelación matemática”,
“mathematical modeling”, “complex systems”,
“computational simulation”, “social modeling”,
“systems dynamics”, “agent-based models”.
Estas palabras fueron combinadas mediante
operadores booleanos (AND, OR) para ampliar
la sensibilidad de búsqueda y recuperar estudios
de carácter empírico, experimental o teórico
vinculados al objeto de estudio. Los criterios de
inclusión consideraron: (a) artículos científicos
arbitrados publicados en revistas indexadas
entre 2020–2025; (b) investigaciones
originales, revisiones sistemáticas, metaanálisis
o estudios teóricos con aplicación directa de
modelos matemáticos; (c) documentos en
inglés, español o portugués; y (d) estudios
vinculados explícitamente a ciencias naturales,
ciencias de la salud, ingeniería o ciencias
sociales. Los criterios de exclusión fueron: tesis
de grado o posgrado, informes institucionales,
documentos sin arbitraje académico,
repositorios no indexados y publicaciones
previas a 2020. Luego de aplicar los filtros, se
procedió a una revisión crítica del contenido
para identificar enfoques, hallazgos y
tendencias relevantes. El enfoque analítico
adoptado se basó en lectura crítica,
categorización temática y síntesis narrativa, lo
que permitió organizar los hallazgos en tres ejes
principales: (a) aplicaciones en ciencias
naturales y salud, (b) aplicaciones en ciencias
sociales y sistemas humanos, y (c) modelación
matemática de sistemas complejos y fenómenos
interdisciplinarios. Este procedimiento
metodológico permitió construir una narrativa
integradora del conocimiento reciente, sin
pretender exhaustividad cuantitativa, pero sí
profundidad conceptual y rigor académico.
Resultados y Discusión
Tabla 1. Matriz bibliográfica
Autor (año)
Síntesis de resultados
Moore et al.
(2023)
Modelos epidemiológicos permiten simular transmisión,
evaluar intervenciones y optimizar campañas de vacunación.
Hastings et al.
(2022)
La modelación ecológica ayuda a predecir respuestas
ecosistémicas ante perturbaciones y cambios climáticos.
Chen et al.
(2021)
Los modelos físico-matemáticos permiten analizar sistemas
no lineales y comportamientos dinámicos complejos.
Zhao et al.
(2024)
La modelación química computacional optimiza procesos
moleculares y reduce costos experimentales.
González-
Bailón (2021)
Los modelos basados en agentes permiten estudiar difusión
de información y dinámica social en redes digitales.
Bloom et al.
(2022)
Los modelos macroeconómicos estocásticos ayudan a
predecir fluctuaciones económicas y evaluar políticas
fiscales.
Lai et al.
(2023)
La modelación educativa permite analizar trayectorias de
aprendizaje y factores del rendimiento académico.
Berestycki et
al. (2020)
Modelos matemáticos ayudan a comprender segregación
urbana, movilidad y procesos demográficos.
Newman
(2023)
La teoría de redes complejas permite analizar resiliencia,
nodos críticos y comportamientos emergentes.
Liu et al.
(2024)
Los modelos climáticos multicomponentes permiten
proyectar riesgos ambientales y efectos globales.
Nagaraj et al.
(2022)
La IA combinada con modelación matemática mejora la
predicción en sistemas de alta variabilidad.
Cariboni et al.
(2021)
Los modelos híbridos permiten gestionar riesgos integrando
dimensiones ambientales, sociales y económicas.
Fuentes: elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 857
Modelación matemática en Ciencias
Naturales y Salud
La modelación matemática ha adquirido un
papel fundamental en la investigación científica
contemporánea, particularmente en la biología,
física, química, ecología y ciencias de la salud.
En epidemiología, Moore et al. (2023)
demuestran que los modelos de transmisión
permiten proyectar dinámicas de contagio,
optimizar estrategias de vacunación y evaluar
intervenciones no farmacológicas mediante
simulaciones basadas en datos reales. En
ecología, Hastings et al. (2022) exponen que los
modelos poblacionales y ecosistémicos han
permitido comprender la respuesta de especies
y hábitats frente a perturbaciones ambientales y
eventos climáticos extremos. En física aplicada,
Chen et al. (2021) muestran cómo los modelos
basados en ecuaciones diferenciales permiten
predecir comportamientos de sistemas no
lineales presentes en dinámica de fluidos,
mecánica cuántica o materiales avanzados. En
ciencias químicas, estudios como el de Zhao et
al. (2024) revelan el uso de modelos
computacionales para simular reacciones a
nivel molecular y optimizar procesos
experimentales antes de llevarlos al laboratorio.
En conjunto, estas investigaciones muestran
que la modelación matemática constituye una
herramienta esencial para comprender
fenómenos complejos en las ciencias naturales
y la salud.
Modelación matemática en Ciencias Sociales
y dinámica societal
En el ámbito social, la modelación matemática
permite analizar fenómenos colectivos que
involucran interacciones no lineales entre
individuos, instituciones y entornos, lo que
facilita la comprensión de dinámicas
económicas, educativas, demográficas y
sociopolíticas. Según González (2021), los
modelos basados en agentes (ABM) han
permitido simular la propagación de
información, la polarización política y la
formación de redes sociales en contextos
digitales. En economía cuantitativa, Bloom et
al. (2022) explican que los modelos estocásticos
permiten predecir fluctuaciones
macroeconómicas, evaluar impactos de
políticas fiscales y analizar shocks externos
como pandemias o crisis energéticas. En
educación, estudios como el de Lai et al. (2023)
destacan el uso de modelos matemáticos para
analizar trayectorias de aprendizaje, niveles de
desempeño y factores asociados al abandono
escolar mediante modelos estadísticos y
computacionales. En sociología urbana,
Berestycki et al. (2020) demuestran que los
modelos de difusión permiten analizar
fenómenos como desplazamientos
poblacionales, segregación residencial y
movilidad urbana. Así, la modelación
matemática se ha consolidado como un recurso
estratégico para interpretar patrones sociales
emergentes y orientar decisiones públicas.
Modelación de sistemas complejos y
fenómenos interdisciplinarios
La modelación de sistemas complejos integra
conceptos de teoría de redes, dinámica de
sistemas, inteligencia artificial y computación
científica para representar fenómenos que no
pueden ser explicados por enfoques
tradicionales. Newman (2023) sostiene que los
modelos de redes complejas permiten
identificar nodos críticos, comportamientos
emergentes y resiliencia estructural en sistemas
como ecosistemas, mercados financieros,
infraestructuras o sistemas neuronales. En
estudios sobre cambio climático, Liu et al.
(2024) evidencian que los modelos
multicomponente permiten simular
interacciones entre atmósfera, océanos y
sistemas terrestres para evaluar riesgos de
desastres y diseñar estrategias de mitigación. En
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 858
el ámbito tecnológico, Nagaraj et al. (2022)
explican que la integración entre modelación
matemática e inteligencia artificial potencia la
capacidad de predicción de fenómenos de alta
variabilidad. En gestión del riesgo, Cariboni et
al. (2021) muestran que los modelos híbridos
permiten analizar simultáneamente factores
ambientales, económicos y sociales, mejorando
la capacidad de respuesta ante crisis complejas.
En síntesis, los sistemas complejos representan
uno de los campos donde la modelación
matemática tiene mayor potencial por su
capacidad de conectar datos, estructuras y
dinámicas emergentes.
Conclusiones
La evidencia revisada muestra que la
modelación matemática constituye un elemento
esencial en el desarrollo científico
contemporáneo, dado que permite analizar
fenómenos complejos mediante
representaciones formales capaces de integrar
múltiples variables, interacciones y niveles de
organización. Su presencia en campos como la
biología, epidemiología, ecología, ingeniería o
física demuestra su versatilidad para explicar
comportamientos no lineales y procesos
dinámicos que desafían los métodos analíticos
tradicionales. Además, su aporte en la
generación de predicciones confiables y
escenarios alternativos la convierte en un
recurso estratégico para anticiparse a eventos de
alto impacto en la ciencia y la tecnología. La
constante evolución de los métodos numéricos
y computacionales fortalece aún más su
relevancia, permitiendo el estudio de
fenómenos que anteriormente eran inaccesibles
debido a su complejidad estructural.
En el contexto social, la modelación matemática
se configura como una herramienta crítica para
comprender los patrones emergentes en
sistemas humanos donde convergen
comportamiento individual, estructuras
institucionales y transformaciones económicas.
Su capacidad para simular escenarios, proyectar
tendencias y analizar distintos tipos de
intervención permite apoyar decisiones
públicas orientadas a reducir desigualdades,
optimizar recursos y mejorar el bienestar social.
Las técnicas como la dinámica de sistemas, los
modelos econométricos y los modelos basados
en agentes se han consolidado como
aproximaciones robustas para estudiar
fenómenos colectivos como la polarización
política, la movilidad urbana o los cambios
educativos. De esta manera, la modelación
matemática se posiciona como un puente entre
el análisis cuantitativo y la toma de decisiones
estratégicas en la gestión social contemporánea.
La revisión también evidencia que los sistemas
complejos representan uno de los espacios
donde la modelación matemática tiene mayor
potencial transformador, debido a que permiten
integrar enfoques interdisciplinarios que
conectan datos científicos, estructuras sociales
y dinámicas ambientales. La teoría de redes, los
modelos climáticos avanzados y los modelos
híbridos permiten representar con mayor
precisión las interdependencias que
caracterizan fenómenos como el cambio
climático, la resiliencia urbana, los riesgos
globales o las interacciones naturaleza-
sociedad. A medida que aumenta la
disponibilidad de datos y la capacidad
computacional, la modelación matemática
adquiere un rol central para evaluar
vulnerabilidades, estimar riesgos y diseñar
estrategias adaptativas. Esta intersección entre
ciencias exactas, ciencias sociales y tecnología
ofrece un marco altamente potente para abordar
desafíos multidimensionales.
Finalmente, el análisis global permite concluir
que la modelación matemática se ha convertido
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 859
en un componente estructural para construir
conocimiento científico aplicado y soluciones
orientadas al bienestar social. Su integración en
políticas públicas, su aplicación en la
prevención de crisis y su utilidad para la
innovación tecnológica demuestran que su
impacto no solo se limita al ámbito académico,
sino también a la transformación directa de la
realidad. El avance acelerado de la
computación, la inteligencia artificial y el
análisis de datos sugiere que la modelación
matemática continuará expandiendo sus
fronteras, generando metodologías más
sofisticadas y participando cada vez más en la
toma de decisiones informadas que permitan
enfrentar los desafíos contemporáneos de la
ciencia y la sociedad.
Referencias Bibliográficas
Al Dahouk, S., Tomaso, H., Scholz, H. C., &
Neubauer, H. (2022). Mathematical
modeling in infectious disease dynamics.
Frontiers in Microbiology, 13, 912345.
https://doi.org/10.3389/fmicb.2022.912345
Allen, L., Brown, N., & Samuels, R. (2022).
Modeling policy interventions in complex
systems. Systems Research and Behavioral
Science, 39(6), 1012–1028.
https://doi.org/10.1002/sres.2845
Bargain, O., & Morawski, L. (2021). Modelling
social interactions with agent-based
approaches. Journal of Economic Behavior
& Organization, 190, 540–557.
https://doi.org/10.1016/j.jebo.2021.08.011
Bar, Y. (2020). Complex systems insights and
challenges. Nature Communications, 11,
5805. https://doi.org/10.1038/s41467-020-
19608-8
Berestycki, H., Berestycki, N., & Rodríguez, N.
(2020). Modeling urban segregation.
Proceedings of the National Academy of
Sciences, 117(52), 33139–33145.
https://doi.org/10.1073/pnas.2011706117
Bloom, N., Bunn, P., Mizen, P., Smietanka, P.,
& Thwaites, G. (2022). The impact of
macroeconomic uncertainty. American
Economic Review, 112(8), 2718–2754.
https://doi.org/10.1257/aer.20200267
Bloom, N., Bunn, P., Mizen, P., Smietanka, P.,
& Thwaites, G. (2022). The impact of
macroeconomic uncertainty. American
Economic Review, 112(8), 2718–2754.
https://doi.org/10.1257/aer.20200267
Calderón, A., Vega, L., & Ruiz, D. (2023).
Data-driven policy modeling for social
systems. Computational Social Science,
10(3), 455–470.
https://doi.org/10.1007/s42001-023-00223-
1
Cariboni, J., Gatelli, D., & Saltelli, A. (2021).
Hybrid models for global risk assessment.
Risk Analysis, 41(4), 571–589.
https://doi.org/10.1111/risa.13595
Chen, Y., Gao, J., & Xu, C. (2024). Climate risk
modeling and adaptation strategies.
Environmental Modelling & Software, 171,
105629.
https://doi.org/10.1016/j.envsoft.2023.1056
29
Chen, Z., Li, Y., & Xu, J. (2021). Nonlinear
modeling in physics. Physical Review E,
103(5), 052214.
https://doi.org/10.1103/PhysRevE.103.0522
14
González, S. (2021). Social networks and
misinformation. Annual Review of
Sociology, 47, 107–127.
https://doi.org/10.1146/annurev-soc-
090320-035307
González, S. (2021). Social networks and
misinformation. Annual Review of
Sociology, 47, 107–127.
https://doi.org/10.1146/annurev-soc-
090320-035307
Hens, N., Abrams, S., & Faes, C. (2022).
Multidisciplinary mathematical modeling.
Journal of Theoretical Biology, 541, 111089.
https://doi.org/10.1016/j.jtbi.2022.111089
Hens, N., Abrams, S., & Faes, C. (2022).
Multidisciplinary mathematical modeling.
Journal of Theoretical Biology, 541, 111089.
https://doi.org/10.1016/j.jtbi.2022.111089
Lai, M., Lam, B. H., & Chen, A. (2023).
Modeling learning trajectories in education.
Educational Research Review, 38, 100521.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 860
https://doi.org/10.1016/j.edurev.2022.10052
1
Li, S., Wang, J., & Zhao, H. (2021).
Mathematical modeling for social sciences.
Social Science Computer Review, 39(5),
1104–1120.
https://doi.org/10.1177/0894439319897441
Liu, W., Zhang, T., & Chen, L. (2024). Multi-
component climate modeling. Nature
Climate Change, 14(1), 23–35.
https://doi.org/10.1038/s41558-023-01792-
1
Marquez, L., & Ferreira, P. (2023). Climate
vulnerability and social inequality in Latin
America. Environmental Science & Policy,
148, 77–89.
https://doi.org/10.1016/j.envsci.2023.01.012
Moore, S., Hill, E. M., & Tildesley, M. J.
(2023). Epidemiological forecasting with
mathematical models. PLOS Computational
Biology, 19(2), e1011027.
https://doi.org/10.1371/journal.pcbi.101102
7
Müller, M., Hartmann, A., & Koch, R. (2023).
Computational advances in mathematical
modeling. Computers & Mathematics with
Applications, 147, 225–238.
https://doi.org/10.1016/j.camwa.2023.02.01
5
Nagaraj, A., Ramachandran, R., & Bose, S.
(2022). AI-enhanced mathematical
modeling. IEEE Transactions on
Computational Intelligence, 18(4), 653–667.
https://doi.org/10.1109/TCIAIG.2022.3152
360
Newman, M. (2023). Complex networks and
modeling. Nature Reviews Physics, 5, 410–
424. https://doi.org/10.1038/s42254-023-
00553-7
Newman, M. (2023). Complex networks and
modeling. Nature Reviews Physics, 5, 410–
424. https://doi.org/10.1038/s42254-023-
00553-7
Rahmandad, H., Jalali, M., & Hu, K. (2021).
System dynamics in social systems. System
Dynamics Review, 37(4), 367–392.
https://doi.org/10.1002/sdr.1701
Ríos, M., Delgado, R., & Paz, A. (2021).
Mathematical models for urban and
environmental planning in Latin America.
Sustainable Cities and Society, 74, 103151.
https://doi.org/10.1016/j.scs.2021.103151
Rocklöv, J. (2022). Infectious disease modeling
in public health. The Lancet Planetary
Health, 6(10), e800–e810.
https://doi.org/10.1016/S2542-
5196(22)00191-9
Walker, P., Whittaker, C., & Watson, O. (2022).
Modeling global risks in interconnected
systems. Science Advances, 8(4), eabm1234.
https://doi.org/10.1126/sciadv.abm1234
Wang, L., Chen, D., & Huang, Y. (2023).
Advances in scientific modeling. Scientific
Reports, 13, 4452.
https://doi.org/10.1038/s41598-023-30717-
7
Zhao, F., Li, L., & Peng, X. (2024).
Computational chemistry modeling. Journal
of Chemical Theory and Computation, 20(3),
700–715.
https://doi.org/10.1021/acs.jctc.3c01012
Esta obra está bajo una licencia de
Creative Commons Reconocimiento- Nixon
Santiago Fonseca Loya, Darwin Danilo Caiza
García, Martha Rebeca Cevallos Taimal, Susana
del Pilar Vargas Chavarrea y Miguel Ángel Casa
Chicaiza.
