P. 1
Concepto y Tipos de Modelos Científicos

Concepto y Tipos de Modelos Científicos

|Views: 74|Likes:

More info:

Published by: Maria Eugenia Arrabal on Sep 14, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

12/06/2012

pdf

text

original

Concepto y Tipos de Modelos Científicos

Publicado por Juan José Ibáñez el 10 mayo, 2008 Comentarios (10)
Los vocablos modelo y modelización, en su acepción más amplia, incluyen una gran variedad de contructos realizados por el intelecto. Según el contexto donde se inscriban también adquieren significados diferentes. Según Jeffers (1982) un modelo s.l. sería la representación de las relaciones entre algunas cantidades o cualidades definidas formalmente (generalmente en términos matemáticos o físicos). Realmente bajo el término de modelo caben numerosos productos que van desde un simple esquema mental, hasta los sofisticados modelos de simulación numérica.

Proceso “ideal” de modelización Fuente: iespaña Ya que estamos tratando en este curso básico sobre filosofía y sociología de la ciencia de aclarar conceptos (cuando ello es posible), utilizaré en este post un documento base que publiqué con otros compañeros hace ya unos años. En realidad el tema no ha variado mucho, si bien, como es obvio han aparecido algunos nuevos tipos, gracias a los enormes progresos realizados en el ámbito de la computación, entre otros.
Ibáñez,J.J., Machado,C., Zucarello,V. & González-Huecas,C. 1995. Modelos de Simulación y Variabilidad Espacio-Temporal. En: (pp. 111-132), Ibáñez, J. J. & Machado, C. (Editores), Análisis de la Variabilidad Espacio-Temporal y Procesos Caóticos en Ciencias Medioambientales, Geoforma-CSIC, 308 p. Logroño.

Hoy en día han existe un sinnúmero de clasificaciones de modelos. Cuando en las décadas de los años 60 y 70 comenzaron los estudios sobre modelización en el ámbito de los recursos naturales, las mencionadas caracterizaciones fueron muy útiles con objeto de estructurar las aproximaciones e ideas iniciales. Sin embargo, según avanzaron las investigaciones y los constructos fueron ganando en complejidad, dejaron de reflejar los progresos alcanzados y, lo que es más importante, comenzaron con harta frecuencia a confundir más que a clarificar.

matemáticos y digitales (Tabla 1). tan solo son validas si sus premisas lo son. Los modelos físicos y analógicos se basan en estructuras materiales construidas en el laboratorio para simular el comportamiento de un sistema real. a menudo. El problema estriba es que muy a menudo la naturaleza es demasiado compleja como para poder captarse por un mero modelo. físicos. son aproximaciones a la realidad que deben considerarse como hipótesis científicas. Por tanto. Más aun. No debe por tanto extrañar que algunos autores duden del interés de estas clasificaciones. mucho más por cuanto al menos una buena parte de los modelos matemáticos actuales son compuestos o híbridos. es decir que incluyen varios tipos de ellos de diferente naturaleza. hasta que sean corroboradas por evidencias empíricas suficientes en el ámbito para el que los autores los diseñaron. mientras que su formalización lingüística da lugar a la elaboración de modelos semánticos. Desde esta perspectiva. con vistas a analizar su comportamiento. Seguidamente se exponen algunas de las mismas. fabricados con materiales. que confunden al ciudadano. semánticos. Las conclusiones que se pueden obtener de un modelo. Un ejemplo sería la minuaturización de los cauces fluviales en un laboratorio. las representaciones mentales de rasgos y procesos constituyen lo que se denomina modelos conceptuales. comioenza a apreciarse más la publicación de un modelo que analizar la realidad de campo. Generalmente se trata de prototipos con reducciones de escala respecto al fenómeno a modelar.Uno de principales problemas que acarrean es que. analógicos. cabría distinguir entre modelos mentales. Diseño “ideal” de Modelos Matemáticos En una primera aproximación. así como si se ha hecho uso de los datos neseraios y suficientes. muchos investigadores y la prensa exponen sus resultados de tal modo. Cuando se utilizan materiales cuyas propiedades pretenden emular el comportamiento del sistema natural a estudiar se .

NUMÉRICOS: Representación formal en base al uso de matemáticas. el flujo de electricidad puede ser capaz de simular el flujo de agua. ESTOCÁSTICOS: Consisten en la generación de series de datos sintéticas a partir de las propiedades estadísticas de las poblaciones de datos existentes. Si por el contrario. Estas últimas suelen acudir al auxilio de la simbología matemática. empíricos semi-empíricos y físicos. CLASIFICACIÓN DE MODELOS PARA EL ESTUDIO DE LA EROSIÓN (MODIFICADO DE MORGAN 1986) • • • • • MENTALES: Representación mental de estructuras y procesos SEMÁNTICOS: Formalización linguística de un modelo mental FÍSICOS: Modelos a escala reducida construidos generalmente en el laboratorio con materiales de distinta naturaleza. Pueden subdividirse en tres categorías diferentes: De Caja Negra: Sólo se analizan los datos de entrada y de salida del modelo. Un modelo empírico prescinde de consideraciones teóricas. DE SOPORTE FÍSICO: Elaborados con ecuaciones matemáticas al objeto de describir los procesos involucrados en el modelo. ii. Cuando en la elaboración de modelos matemáticos se acude al uso de los ordenadores puede hablarse de modelos computacionales. se asume una similitud dinámica entre el modelo y el sistema real ANALÓGICOS: Utilizan sistemas mecánicos o eléctricos análogos a los sistemas bajo consideración. Un modelo lógico es aquel en el cual la representación de una estructura o proceso se formula mediante las leyes de la lógica. cuando tan sólo se dispone de información recogida durante periodos de observación breves. de soporte físico. Los modelos matemáticos son sistemas de ecuaciones y proposiciones lógicas que intentan representar las relaciones entre variables (propiedades mensurables del sistema cuyas magnitudes varían en el tiempo) y parámetros (cantidades temporalmente invariables que caracterizan al sistema). . iii. se hace uso de estructuras elaboradas con materiales muy distintos a las del objeto o proceso a analizar se habla de modelos analógicos. Con tal motivo. No hablamos pues de lo que actualmente suele entenderse por modelos. iii. se denominan modelos semi-empíricos a los que utilizan leyes físicas y estimaciones empíricas simultáneamente. i. como en el párrafo anterior. que son los que acontinuación esponemos. Finalmente. como por ejemplo. Puntualizemos aquí que el vocablo físico no se refiere al uso de materiales. etc. debe disponerse previamente de una base de datos de tamaño adecuado. Alternativamente podemos hablar de modelos lógicos. etc. Basados en el uso de ordenadores digitales capaces de procesar una gran cantidad de datos. Se entiende por modelo físico o determinista a aquellos que se sustentan sobre leyes físicas bien conocidas. Son muy útiles con objeto de generar secuencias de datos que alimenten a modelos empíricos o a los basados sobre leyes físicas. De Caja Gris: Se explican algunos detalles del conocimiento existente sobre el comportamiento del sistema.habla de modelos físicos. DIGITALES: Modelos estocásticos. De Caja Blanca: Se conocen y explican todos los detalles del comportamiento del Sistema. para centrarse en el análisis (generalmente estadístico) de las relaciones entre los valores de las variables estimadas. sino al de los instrumentos conceptuales que nos deparan las ciencias físicas. teniendo en cuenta las leyes de conservación de masas y energía. EMPÍRICOS: Se sustentan en la identificación de relaciones estadísticamente significativas entre ciertas variables que se asumen como esenciales y suficientes para modelar el comportamiento del sistema.

De hecho. Pues bien. se destina más tiempo y recuros económicos a la elaboración de modelos que intenten predecir las que pudiera haber. Cuando las magnitudes de las variables no pueden ser físicamente estimadas. que han existido desde siempre). Frecuentemente.Otros autores prefieren categorizar los modelos matemáticos como deterministas. como mostramos abajo. mientras en sus inicios. Raramente este es el caso. por ejemplo) con prolongados periodos de retorno. son caros o complicados. como los basados en leyes físicas. la sofisticación de los productos actuales ha invertido esta tendencia. Se trata pues de llegar a un compromiso entre la disponibilidad de datos. Según se ha progresado en la materia. tanto de campo como de laboratorio. cada vez son más abundantes los modelos basados en leyes físicas. para determinados propósitos. Estos también son conocidos como deterministas . estos varían en su grado de complejidad. la relación entre el tiempo empleado en la adquisición de datos y el gastado en la construcción del modelo ha variado sustancialmente. Todos sabemos que aun no se a cuantificado el número de especies biológicas que existen en el Planeta. pueden ser preferibles modelos simples frente a otros más sofisticados. Así. Se basan en la identificación y definición de los procesos mecánicos de mayor relevancia para alcanzar los objetivos perseguidos. no existe una relación directa entre complejidad y eficacia. han alcanzado gran popularidad. con relaciones costo-beneficio aceptables y. En otras palabras. En este último caso sus valores se calculan mediante las denominadas funciones de transferencia. En la terminología de Morgan (1986). simple o múltiple. estos. más o menos sofisticadas. Este hecho resukta más que preocupante desde diferentes puntos de vista. o escogiendo variables indirectas (también llamadas subrogadas) relacionadas con las que se deberían estimar. Así. La razón debe buscarse en el hecho de que. los costos y tiempo requeridos para la construcción del modelo y las restricciones experimentales para la determinación de ciertas variables. en la bibliografía. se acude a procedimientos de calibración específicos. en lugar de formar a más taxónomos que las identifiquen. la tarea de modelización se centraba preferentemente en la obtención de datos experimentales. dado que son fácilmente formulables. las ecuaciones de regresión. por lo que. pueden contemplarse desde formulaciones extremadamente simples hasta otras en las que intervienen una gran variedad de parámetros y variables cuyas interacciones son de carácter no lineal. Los nuevos avances en el campo de la modelización permiten la elaboración de ciertas predicciones que en muchos casos no son susceptibles de verificación experimental (ANDERSON & SAMBLES 1988). la mayor parte de aquellos productos corresponderían a los denominados modelos empíricos de caja gris. probabilistas y de optimización. cabiendo uso de las mencionadas variables indirectas o subrogadas. o el de los que predicen los intervalos de recurrencia de eventos catastróficos )sequías e inundaciones. construcción y comprensión. Pongamos un ejemplo. Independientemente del tipo de modelos considerado. En los modelos físicos no es infrecuente observar que algunas de las variables contempladas no hayan. sido directamente determinadas. al complejizarse la estructura de un modelo. También son imprescindibles herramientas estadísticas. a pesar de que existan métodos para su determinación. A su vez los modelos matemáticos y computacionales pueden subdividirse en diferentes familias según las herramientas metodológicas utilizadas. aún se siguen utilizando. frecuentemente. aumenta el tiempo empleado en su diseño. Con tal motivo suele requerirse un gran volumen de medidas experimentales. Se trata de un tema muy preocupante ya que tales inferencias son meras aproximaciones basadas en la suposición (muy a menudo no verificada) de que estas últimas son buenas predoctores en un amplio espectro de circunstancias ambientales. los modelos son estructurados sobre bases teóricas más sólidas. Este es el caso de los modelos que simulan la evolución del paisaje a largo plazo. así como los costes de implementación. Los primeros modelos en el ámbito de los recursos naturales (y en otros muchos) fueron empíricos (con la salvedad de los conceptuales. de un poder predictivo no inferior al alcanzado por modelos mucho más sofisticados. Por término general. Dentro de estas últimas. Actualmente.

de la atmósfera en donde se han alcanzado logros más espectaculares. En todo caso son las CC. Sin embargo. las disciplinas que hacen un mayor uso de la modelización son la hidrología. mientras que en edafología lo son la evaluación y contaminación de suelos. Por otro lado. como ya hemos comentado. análisis de la varianza. al. variedad y sofisticación de variables y datos. Tabla nº 2 FAMILIAS DE MODELOS MATEMÁTICOS (Tabla no Exhaustiva) • MODELOS DINÁMICOS • MODELOS MATRICIALES (sobre lógica booleana o difusa) • MODELOS ESTOCÁSTICOS (modelos de distribución. algunos autores defienden las bondades de los modelos estocásticos frente a los físicos (SINGH et. erosión y geomorfología fluvial. Markov. criticalidad autoorganizada. así como largos procesos de computación.. tampoco parece existir una relación directa entre la complejidad de los modelos basados en leyes físicas y su eficacia Finalmente. por ejemplo. y en agricultura la agroclimátología. con vistas a predecir el comportamiento del sistema climático. .etc.etc. ANDERSON & SAMBLES 1988). 1988). Así. es obvio que existen áreas de investigación en donde la modelización ha progresado más que en otras. sinergética. ej.(lineales o no lineales-caóticos).) • MODELOS DE REDES NEURONALES • MODELOS DE AUTÓMATAS CELULARES Aunque no profundizaremos en este tema. Los modelos físicos muy sofisticados suelen requerir un gran número.) • MODELOS MULTIVARIANTES • MODELOS DE OPTIMIZACIÓN • MODELOS DE LA TEORÍA DE JUEGOS • MODELOS DE LA TEORÍA DE CATÁSTROFES • MODELOS CAÓTICOS (geometría fractal. estos últimos no son necesariamente mejores (p. en el ámbito de la geomorfología.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->