1 Introducción

1.1 ¿Y si hubiera vida en Marte?

Marte es un planeta muerto. Toda la información que tenemos de los datos de detección remota y, más recientemente, de las
naves de desembarco, muestra que, incluso si alguna vez existió vida en Marte, ahora no. ¿Pero no era más intrigante el Marte
de las películas de serie B de los sesenta? Imagínese un Marte que se parece mucho a la Tierra, lleno de vida y enfrentando
problemas ambientales y ecológicos similares a los que enfrentamos aquí. El escenario de esta introducción al medio ambiente
y

El Marte 'real'

¡Marte NO es un planeta muerto! Los gobiernos del mundo Los humanos han estado estudiando Marte desde la distancia desde el Incidente de

no quieren que sepamos y encubramos la verdad usando Roswell en 1947 cuando una nave espacial marciana se estrelló en el desierto de

imágenes escenificadas de un planeta muerto. Nuevo México cerca de la ciudad de Roswell.

Algunos de los datos utilizados en este libro ... otros datos provienen de equipos de … Y algunos son detectados remotamente por

provienen de la nave espacial extraterrestre, ... aterrizaje, ... una serie de sondas robóticas en Marte.
2 1. INTRODUCCIÓN

El modelado ecológico es un Marte. A medida que use el libro y resuelva los problemas, se desarrollará la historia de los
problemas ambientales y ecológicos enfrentados en Marte, narrada en una historia que aparece a través del texto como
cuadros de imágenes. Los cuadros de imágenes no solo proporcionan los ejemplos para los cuales se desarrollarán, probarán
y aplicarán modelos, sino que también actúan como marcadores para ayudarlo a recorrer el libro para encontrar temas
específicos en el texto principal.

A través de los cuadros de imágenes, presentaremos una serie de problemas ambientales y ecológicos que enfrenta esta
versión imaginaria de Marte, que podrían abordarse utilizando modelos. Se le darán los resultados de intentos de modelado
anteriores y descubrirá por qué fallaron esos modelos. Luego, se le dará la oportunidad de desarrollar nuevos enfoques para
hacer un mejor trabajo. En el camino, aprenderá cómo modelar y cómo aplicar buenas prácticas de modelado. El libro utiliza la
resolución de problemas guiada para desarrollar habilidades de modelado. Le permitirá aprender las filosofías y técnicas
esenciales del modelado ambiental y ecológico de una manera científicamente rigurosa al aprender y aplicar estas técnicas
para resolver problemas en Marte.

¡Marte te necesita!

Los intentos anteriores de modelar el medio ambiente en Marte han fracasado. Tu trabajo

sería liderar el equipo de exobiólogos (personas que estudian la vida en otros planetas) para desarrollar

modelos que ayuden a abordar los problemas ambientales y ecológicos en Marte. ¡Buena suerte en la

entrevista!

1.2 ¿Qué es un modelo?

Un modelo es una representación simplificada de la realidad; esta definición se aplica igualmente a un modelo físico, como
podría ser esculpido en arcilla, y a un modelo matemático, construido usando ecuaciones matemáticas (Fig. 1.1).

Al crear un modelo, un escultor observará la realidad, decidirá qué aspectos de la realidad son importantes y utilizará una
selección de técnicas para representar estos aspectos importantes; esta representación es el modelo esculpido. Un modelador
matemático sigue exactamente el mismo procedimiento; la única diferencia entre el modelador matemático y el escultor está
en los métodos que utilizan. Como el escultor, un modelador matemático observa la realidad, pero esto generalmente se hace
mediante alguna forma de experimentación, no solo a simple vista. El modelador matemático decide qué aspectos de la
realidad son importantes para la representación. La sección 1.4 introduce un procedimiento sistemático para seleccionar los
aspectos que son importantes, en el cual la pregunta de investigación se traduce en una hipótesis, que luego guía al
modelador en cuanto al tipo de modelo necesario, y las características importantes del modelo. Como
 1.2 ¿QUÉ ES UN MODELO? 3

DESARROLLAR
ESCULTOR MATHEMATI CAL
EVALUAR
MODELADOR
ESCULTOR MATEMÁTICO
OJO EXPERIMENTOS
Observar MODELADOR

realidad GRÁFICO
ARTE ANÁLISIS (3.1)
CLASIFICACIÓN CRITICAS

(1.4.1 y 2.1) Que tan bien

Identificar CUANTITATIVO
Pregunta
ARTE POPULAR hace el ANÁLISIS (3.2)
importante Hipótesis
APELACIÓN
Escribe modelo hacer
caracteristicas SENSIBILIDAD

DESARROLLO su trabajo? ANÁLISIS (3.3)

Conceptual (2.2) VENTA
Matemático (2,3) PRECIO
ARCILLA
Construir Computadora (2.4) INCERTIDUMBRE
ANÁLISIS (3.4)
modelo

APLICAR

ESCULTOR MATEMÁTICO
MODELADOR

CIENTÍFICO
ARTE REPRESENTACIÓN
GALERÍA (4,1)

Dar a DECISIÓN

objetivo SOPORTE (4.2)

VENTA A
COLECCIONISTA audiencia RIESGO
EVALUACIÓN
(4,3)
REPRODUCIR
Y VENDE ESPACIALMENTE
EXPLÍCITO
(4,4)

Figura 1.1 Cómo hacer un modelo: una representación simplificada de la realidad.

se discutirá en el Capítulo 2, el modelador matemático luego usa una combinación de técnicas matemáticas y programación
de computadoras para representar estos importantes aspectos de la realidad como ecuaciones; esta representación es
entonces el modelo matemático.
El valor de un modelo radica en su capacidad para hacer aquello para lo que fue creado. Los críticos pueden evaluar una
escultura clásica de acuerdo con lo mucho que se parece al tema, mientras que una escultura impresionista se evalúa sobre
una base completamente diferente. De manera similar, un modelo matemático debe evaluarse con respecto a su capacidad
para lograr sus objetivos. Si se trata de un modelo cuantitativo, la evaluación también debe ser cuantitativa. Los diferentes
aspectos de la evaluación del modelo se analizan con más detalle en el Capítulo 3.

El valor del modelo solo puede realizarse plenamente si se hace accesible a su público objetivo. Un escultor puede hacer
esto exhibiendo el modelo en una galería de arte, vendiéndolo a un coleccionista o haciendo reproducciones para que se
vendan más ampliamente. Debido a la facilidad de reproducción exacta que brindan las computadoras, los modelos
matemáticos generalmente se empaquetan de alguna forma que los hace fáciles de usar y para ser reproducidos y distribuidos
a
4 1. INTRODUCCIÓN

usuarios potenciales. Algunas de las pruebas y tribulaciones de aplicar modelos matemáticos de esta manera se describen en
el Capítulo 4.

Tu nuevo trabajo

Solicitaste el trabajo y Después de una serie de sombríos

¡Entendido! Ahora eres el exobiólogo a Se presenta a trabajar el primer día y se le presentaciones, te das cuenta de que Marte

cargo del equipo que modelará Marte. informa sobre la naturaleza del problema en está sufriendo la contaminación y el cambio

Marte. climático.

Su predecesor intentó utilizar modelos para

comprender el problema, predecir cambios Antes de comenzar su trabajo para salvar a

futuros y sugerir lo que se podría hacer. Marte, debe preguntarse: '¿Por qué debería

¡Tu predecesor falló! usar modelos?'

1.3 ¿Por qué utilizar modelos?

Mucha gente considera el modelado como una combinación de matemáticas difíciles y computación técnicamente exigente.
Las personas que pasan demasiado tiempo con modelos a menudo son clasificadas por otros como ' modeladores 'y se
consideran bastante extraños. Sin embargo, el modelado es una herramienta omnipresente que se usa ampliamente en todas
las ramas de la ciencia, aunque a menudo se la conoce con un nombre diferente. Uno de los modelos más elegantes de la
historia (descrito como una "mesa") fue desarrollado por Mendeleyev para describir la estructura electrónica de los elementos.
El modelo es, por supuesto, la tabla periódica y se utilizó para predecir las propiedades de muchos elementos incluso antes de
que fueran descubiertos. Sin este modelo, el descubrimiento de muchos elementos se habría retrasado muchos años más.
 1.3 ¿POR QUÉ USAR MODELOS? 5

De hecho, modelar es algo que todos hacemos todos los días. Tomemos el ejemplo de elegir una cola en la estación de
tren. Observamos la longitud de la cola y evaluamos qué tan rápido se mueve cada cola; En un abrir y cerrar de ojos, hemos
construido un modelo del tiempo que nos llevará llegar al contador, ingresamos los datos de entrada (la velocidad relativa a la
que se mueven las dos colas) y obtuvimos el resultado en el que elegimos el mejor cola para unirse. Al hacer esto, hemos
dominado las principales etapas de la concepción y el desarrollo del modelo. Estos procesos de pensamiento instintivos se
desenredan cuando analizamos el desarrollo de modelos en el Capítulo 2.

Muchos de nosotros incluso evaluamos el modelo, notando qué persona está al final de una cola vecina y verificando que
de hecho llegamos al frente antes que ellos. Este proceso de evaluación se racionaliza en el Capítulo 3. El modelado es algo
que nos resulta natural a todos, pero esta es precisamente la razón por la que con tanta frecuencia se utiliza mal y se
tergiversa. Los problemas relacionados con la aplicación (y la mala aplicación) de los modelos se discuten a lo largo de este
libro y son el tema central del Capítulo 4.

Si vamos a hacer un uso adecuado de nuestra capacidad inherente para modelar, debemos tener una idea inequívoca de
lo que el modelo pretende hacer (es decir, la alcance del modelo), seguir los procedimientos para el desarrollo, la evaluación y
la aplicación del modelo, y comprender que el mundo natural es impredecible. Después de todo, ¿quién podría haber predicho
que la familia de cinco al principio de la cola necesitaría nuevos pases de tren?

Traducir el modelo de la evaluación en su cabeza, al reverso de un sobre, a una hoja de cálculo, a un programa de
computadora, nos permite usar el modelo para hacer ciencia. La ciencia comienza con una hipótesis: una hipótesis es un
modelo simple (consulte la Sección 1.4.1). Se puede probar una hipótesis expresada sin ambigüedades, lo que permite una
comparación entre dos teorías alternativas. Se puede cuantificar una hipótesis numéricamente precisa, lo que permite explicar
las observaciones y predecir eventos futuros. La recopilación de hipótesis permite comprender sus efectos combinados y
modelar sistemas ambientales y ecológicos reales. En lugar de preguntarnos por qué deberíamos usar modelos, deberíamos
preguntarnos por qué no.

Habiendo comenzado el proceso de modelado probando una hipótesis cualitativa, es un pequeño paso hacer que la
hipótesis sea inequívoca y cuantitativa (ver Sección 1.4.1), agregando valor a nuestra comprensión. Al medir el tiempo
necesario para atender a los clientes en la estación de tren durante un período de una hora, se pueden escribir hipótesis
cuantitativas inequívocas para describir el movimiento de las colas. Considere el siguiente ejemplo.

'En promedio, el tiempo necesario para atender a un cliente es:

a segundos para un cliente masculino menor de 21 años;

B segundos para un cliente masculino de 21 a 65 años;

C segundos para un cliente masculino mayor de 65 años;

D segundos para una clienta menor de 21 años;

mi segundos para una clienta de 21 a 65 años;
F segundos para una clienta de más de 65 años.

Estas hipótesis se pueden probar para esta estación midiendo el tiempo necesario para atender a los clientes durante un
período de tiempo adicional. Si las nuevas mediciones están cerca de las hipótesis, podría decidir usarlas para predecir qué
cola debo elegir. Esto necesitará información de entrada sobre el número de clientes en las diferentes categorías en
6 1. INTRODUCCIÓN

cada cola. Al hacer esto, he escrito hipótesis cuantitativas e inequívocas, y he cuantificado el resultado esperado; esto es
modelar (aunque para cuando haya hecho todo esto, habría perdido el tren y posiblemente me habrían arrestado).

Todas estas medidas se tomaron en una estación de tren de Londres. Cuando estoy en una estación de tren en París, me
encuentro con otro modelista que ha desarrollado un modelo diferente para elegir a qué cola unirse. Su modelo se basa en las
siguientes hipótesis.

'En promedio, el tiempo necesario para atender a un cliente es:

X segundos antes de las 9.30 horas;

y segundos entre las 9.30 y las 16.30 horas;

z segundos después de las 4.30 pm. '

Podríamos usar modelos para comparar las dos teorías diferentes (es decir, el tiempo para atender al cliente depende del tipo
de cliente, o el tiempo para atender al cliente depende de la hora del día). Para resolver nuestro argumento, deberían tomarse
más medidas en diferentes estaciones de tren tanto en Londres como en París. Las mediciones deben incluir la hora del día,
la cantidad de clientes en las diferentes categorías en cada cola y el tiempo que se tarda en llegar al frente de la cola. El
examen de las mediciones pondrá fin a todos los argumentos y determinará qué modelo, si lo hay, es probable que prediga
correctamente la mejor cola para unirse.

Habiendo recopilado todos los datos necesarios para probar las hipótesis, un pequeño esfuerzo adicional podría darnos
mucho más. Podemos utilizar el análisis estadístico para determinar las relaciones que existen entre el tipo de cliente, la hora
del día y el tiempo necesario para atender al cliente. Podemos determinar el rango de tiempos posibles para cada cola y así
cuantificar la probabilidad de que nuestras predicciones sean correctas. Una vez cuantificadas estas relaciones, podemos
intentar comprender los procesos que contribuyen al resultado observado. Si entendemos los procesos, podemos extrapolar a
las estaciones de tren de otros países: ¿los resultados se mantienen igualmente bien en Inglaterra y Francia, y es probable
que sean muy diferentes en América del Norte? Si hemos establecido una buena regla general,

Este ejemplo ilustra muchas capacidades que son comunes a la mayoría de las actividades de modelado.

En general, el modelado tiene el potencial de:

1. cuantificar los resultados esperados;

• Por ejemplo, dadas las tendencias climáticas recientes, ¿esperamos que caiga suficiente lluvia durante el verano para
mantener los embalses llenos, o las compañías de agua deberían pensar en prohibir las mangueras?

2. comparar los efectos de dos teorías alternativas;

• Por ejemplo, ¿los alimentos orgánicos son realmente mejores para nuestra salud o no hay ningún beneficio para la salud en comparación con los

alimentos no orgánicos?

3. describir los efectos de factores complejos, como variaciones aleatorias en las entradas;

• Por ejemplo, ¿cómo afecta la incertidumbre en las emisiones de dióxido de carbono a las predicciones del cambio climático?
 1.3 ¿POR QUÉ USAR MODELOS? 7

4. explicar cómo los procesos subyacentes contribuyen al resultado observado;

• Por ejemplo, describa cómo los cambios en la cantidad de gusanos de trapo que viven en un estuario pueden causar cambios en las
poblaciones de otros organismos a través de complejas interacciones en la red alimentaria.

5. extrapolar los resultados a otras situaciones;

• Por ejemplo, ¿qué nos puede decir la propagación de la EEB en los rebaños de ganado del Reino Unido sobre la posible propagación de la

EEB en Francia?

6. predecir eventos futuros;

• Por ejemplo, en 2050, ¿cuál será la población humana mundial?

7. traducir nuestra ciencia en una forma que pueda ser utilizada fácilmente por no expertos.

• Por ejemplo, los pronósticos meteorológicos nos permiten a todos hacer uso de la ciencia meteorológica compleja.

Todos estos logros son sólo unos sencillos pasos desde el punto de partida de la hipótesis.

¿Por qué usar modelos en Marte?

Las misiones a Marte son caras, pero ya ha

habido varias misiones a Marte, algunas … Otras eran misiones secretas

sondas robóticas de aterrizaje en la tripuladas a Marte, ¡más sobre estas más Los modelos nos permiten utilizar los datos

superficie, ... adelante! existentes para cuantificar los resultados esperados, ...

... para describir los efectos de factores ... para explicar cómo los procesos

... para comparar los efectos de dos complejos, como variaciones aleatorias en los subyacentes contribuyen al resultado

teorías alternativas, ... valores de entrada, ... observado, ...

8 1. INTRODUCCIÓN

… Para traducir nuestra ciencia en una forma

... para extrapolar resultados a otras que pueda ser utilizada fácilmente por no

situaciones, ... ... para predecir eventos futuros y ... expertos.

1.4 ¿Qué modelo debo usar?

Las descripciones de modelos matemáticos en la literatura científica a menudo utilizan una gran cantidad de términos
diferentes. Puede parecer que el único propósito de esta jerga es confundir. Sin embargo, estos términos pueden tener uno de
dos propósitos importantes: determinar el tipo de modelo o describir el tipo de matemáticas que se utilizará. Los modelos y las
matemáticas a menudo se confunden o se comparan entre sí; pero son cosas diferentes. El tipo de modelo nos dice qué hace
el modelo, es decir, el tipo de insumos utilizados y productos producidos, las limitaciones de su aplicación y la forma en que se
utiliza. El tipo de matemáticas nos dice cómo lo hace el modelo, es decir, cómo traduce las entradas en salidas. En las dos
secciones siguientes intentamos desmitificar la jerga, utilizando un ejemplo de un modelo de helecho marciano para explicar el
propósito y el significado de algunos de los términos más utilizados. La importancia de estos términos quedará clara a lo largo
del libro a medida que mostramos cómo el tipo de modelo y las matemáticas necesarias se pueden utilizar para guiar el
proceso de desarrollo.

La desaparición de los marcianos

Los grises queman los desechos de la planta

Los grises solo comen helecho marciano. (tallos). Como la planta tiene un alto contenido

Los grises son la única forma de vida En Marte se cultivan vastas extensiones de de azufre, esto provoca la liberación de dióxido

inteligente en Marte. tierra para el helecho marciano. de azufre.

 1.4 ¿QUÉ MODELO DEBO UTILIZAR? 9

Algunas semillas de helecho marciano se

El dióxido de azufre causa lluvia ácida, que recuperaron del accidente en Roswell.

luego puede dañar las plantas cuando cae. Los usarás en un experimento ... … Para desarrollar tu primer modelo: el

efecto de la lluvia ácida sobre el helecho marciano.

1.4.1 Determinar qué tipo de modelo usar

Cuando hacemos esfuerzos en el modelado que van más allá de la simple hipótesis inicial, necesitamos definir el tipo de
resultados esperados y el tipo de modelo necesario para lograr esos resultados. Si quiero apretar un tornillo, primero debo
elegir el destornillador que encaje con el tornillo que estoy tratando de apretar; No puedo usar un destornillador de cabeza
plana en un tornillo de cruz. De la misma manera, si quiero que un modelo realice una tarea en particular, primero debo elegir
el modelo que sea apropiado para lograr esa tarea. La clasificación de los destornilladores, por la forma y el tamaño de la
cabeza, es extremadamente útil a la hora de elegir el destornillador adecuado para el trabajo. La clasi fi cación de modelos, si
se centra en lo que el modelo puede hacer, también puede ser de gran ayuda a la hora de elegir el tipo de modelo adecuado
para el trabajo.

La clasificación de modelos nos permite decidir qué tipo de modelo necesitamos y nos ayuda a buscar cualquier modelo
que ya haya sido desarrollado. Hay muchas formas diferentes de clasificar modelos. En esta discusión, hemos comenzado por
el principio, con la hipótesis. Al examinar las características de las hipótesis subyacentes, se pueden caracterizar todas las
características principales de los modelos, mucho antes de que comencemos a sumar números o ecuaciones.

Los modelos pueden basarse en cualquier cosa, desde una simple hipótesis hasta una compleja colección de hipótesis, pero

incluso la hipótesis más simple incluye todas las características necesarias para clasificar un modelo. Como ejemplo, considere un

experimento para estudiar el efecto de la acidez del agua en el tamaño del helecho marciano.
10 1. INTRODUCCIÓN

Configuración de un experimento de maceta de helecho marciano

El tamaño de la planta se
Las semillas del midió secándola y
Los helechos marcianos se … Y provisto de agua de pesándola (para
sembraron en contenedores idénticos ... acidez creciente. obtener el contenido de materia seca).

Primero, planteamos cuidadosa y exactamente la pregunta que debe abordar el modelo. A partir de la pregunta abordada
podemos desarrollar el hipótesis nula y sus alternativas. Estos formarán la base de nuestro modelo.

los hipótesis nula es una afirmación negativa de lo que desea probar. los hipótesis alternativas enumere
todas las posibles alternativas a la hipótesis nula.

La hipótesis nula, denominada H 0, para la pregunta de investigación "¿Tiene la acidez del agua algún efecto sobre el tamaño
del helecho marciano?" es

' La acidez del agua no tiene ningún efecto sobre el tamaño del helecho marciano. '

Las hipótesis alternativas (H 1 y H 2) luego se puede formular de la siguiente manera:

H 1: ' El tamaño del helecho marciano disminuye con la acidez del agua. '

H 2: ' El tamaño del helecho marciano aumenta con la acidez del agua. '

Luego, el modelo se construye a partir de la hipótesis que se cree, a partir de observaciones experimentales, que es cierta.

Resultados del experimento de maceta de helecho marciano

Un análisis más detallado deriva

Análisis estadístico de los resultados relación entre la acidez del agua y el … Pero ¿qué tipo de modelo necesitas? ¡Esta

le permite aceptar la hipótesis H 1; contenido de materia seca. Esto también se es una decisión importante ya que el modelo de

esta es entonces la base del modelo. puede utilizar ... su predecesor falló!
 1.4 ¿QUÉ MODELO DEBO UTILIZAR? 11

Pregunta

Hipótesis

Producción Aporte Alcance Solicitud

Producción

¿Cualitativo cuantitativo?
¿Determinista / estocástico?

Aporte

¿Dinámica estática?

Alcance

¿Descriptivo / predictivo?

Solicitud
Funcional / mecanicista?

Figura 1.2 Clasificación de un modelo según sus hipótesis subyacentes.

El tipo de modelo que debemos utilizar se puede definir por salidas, entradas, alcance
y solicitud de las hipótesis en las que se basa (Fig. 1.2). Luego, el modelo se definirá de la misma manera que las hipótesis.

El resultado de la hipótesis anterior describe el tamaño del helecho marciano. La entrada es el pH y describe la acidez del
agua. El alcance define si el modelo se utilizará para explicar los resultados del experimento actual o si se utilizará para
extrapolar a nuevas situaciones. La aplicación nos dice para qué se utilizará el modelo.

Salidas —Información producida por el modelo.

Entradas : Información que necesita el modelo para su ejecución.

Alcance —¿Se puede utilizar el modelo fuera del experimento utilizado para desarrollarlo?

Solicitud ¿Se utiliza el modelo para explicar los procesos?

los salidas de la hipótesis podría ser cualitativo o cuantitativo. Un valor cualitativo describe la naturaleza de la salida,
mientras que un valor cuantitativo proporcionará una medida numérica o un recuento. Si estuviéramos interesados en el
efecto más extremo, donde el agua ácida mata al helecho marciano, es posible que solo necesitemos saber si el helecho
estaba vivo o muerto (una medida cualitativa):

H 1: ' La acidez del agua determina si el helecho marciano está vivo o muerto '

(Resultado: cualitativo).

La medición de entrada de la acidez del agua es cuantitativa, pero el estado probado del helecho es cualitativo, es decir, vivo
o muerto. Si un modelo proporciona algún resultado cuantitativo, generalmente se describe como cuantitativo. Un modelo
basado en la hipótesis anterior no proporciona un resultado cuantitativo y, por lo tanto, sería cualitativo.
12 1. INTRODUCCIÓN

Por el contrario, un modelo basado en la siguiente hipótesis:

H 1: ' El tamaño de las plantas de helecho marciano disminuirá en un 15% con cada disminución en la unidad de pH. '

(Resultado: cuantitativo)

sería un modelo cuantitativo.

Una variable de salida cuantitativa se puede dar como un específico (o determinista) valor, o se puede dar como un rango,
especificando la probabilidad de que el resultado esté dentro del rango dado. El modelo cuantitativo anterior generaría el
resultado determinista del 15% por cada disminución en la unidad de pH. Los modelos que trabajan con rangos de valores se
denominan
estocástico. Si estuviéramos sopesando riesgos alternativos, es posible que necesitemos conocer las posibilidades de que la lluvia

ácida mate al helecho marciano, por lo que tendríamos que utilizar un modelo estocástico. La hipótesis anterior se puede reescribir

para su aplicación en un modelo estocástico de la siguiente manera:

H 1: ' Hay un 95% de probabilidad de que el tamaño de las plantas de helecho marciano disminuya entre un 10 y un 20% con

cada disminución en la unidad de pH '

(Salida: estocástico cuantitativo).

El resultado estocástico del modelo anterior sería del 10 al 20% por cada disminución en la unidad de pH.

los entradas a un modelo pueden ser valores fijos para cada ejecución del modelo, o pueden cambiar sobre una serie de
medidas. La medición de entrada de la acidez del agua no cambia y puede describirse como una estático variable. Sin
embargo, podríamos estar interesados en cómo el tamaño del helecho marciano se ve afectado por la acidez del agua en
diferentes momentos desde el inicio del experimento. En este caso, las entradas cambiarán a lo largo de una serie de
mediciones tomadas en diferentes momentos y pueden describirse como dinámica con respecto al tiempo. La hipótesis debe
reescribirse de la siguiente manera para reflejar nuestro interés en el tiempo:

H 1: ' El tamaño de las plantas de helecho marciano disminuirá en un 2% cada día con cada disminución en

unidad de pH '

(Entrada: dinámica con respecto al tiempo).

Si un modelo utiliza entradas que son dinámicas, se clasifica como modelo dinámico. Un modelo puede ser dinámico con respecto

a cualquiera de sus entradas, como cambios sucesivos de pH, pero, en la práctica, el término "dinámico" generalmente se refiere a

cambios con respecto al tiempo. Solo si el modelo utiliza variables de entrada estáticas únicamente, se clasi fi cará como estático.

los alcance de la hipótesis se puede denominar descriptivo o profético. Se utiliza un modelo descriptivo para describir las
observaciones dentro de las condiciones del experimento actual. Se utiliza un modelo predictivo para extrapolar más allá del
alcance del experimento y proporciona resultados que se extienden más allá de las observaciones actuales. Los modelos
pueden ser predictivos con respecto al tiempo, el espacio, las especies o cualquier otra variable de entrada. Si quisiéramos
utilizar el modelo anterior para predecir el efecto de una acidez superior a la incluida en el experimento, el modelo sería
predictivo con respecto a la acidez. Un modelo predictivo generalmente requiere cierto grado de comprensión de los procesos
que causan
 1.4 ¿QUÉ MODELO DEBO UTILIZAR? 13

cambiar, ya que la comprensión de los procesos mejora nuestra capacidad de extrapolar a nuevas situaciones.

los solicitud puede ser funcional o mecánico. Si el propósito de la hipótesis es explicar los procesos subyacentes
responsables del resultado general, la hipótesis puede describirse como mecanicista. Si la hipótesis simplemente tiene como
objetivo representar o predecir las observaciones experimentales, la hipótesis se describirá como funcional. Las entradas
necesarias para impulsar un modelo funcional suelen ser menos complejas que las necesarias para impulsar un modelo
mecanicista. La necesidad de una comprensión mecanicista en los modelos predictivos puede generar confusión con respecto
a los términos "funcional" y "mecanicista". Un modelo que se ha construido alrededor de una comprensión mecanicista de los
procesos subyacentes de modo que pueda usarse para predecir, pero que se usa solo para representar y predecir las
observaciones experimentales, debe denominarse funcional. Este modelo solo debe denominarse mecánico si estamos
interesados en utilizar el modelo para averiguar qué está sucediendo y explicar los procesos subyacentes.

Fallo debido a la elección del tipo incorrecto de modelo

'Peso del helecho = función (tiempo desde la siembra) x función

(acidez de la lluvia) x función (cantidad de lluvia ácida) x función

(tiempo de exposición a la lluvia ácida) ...'

Su predecesor desarrolló un modelo utilizando Ajustó un modelo estadístico y lo utilizó para El modelo era un modelo

datos sobre helechos marcianos cultivados en estimar los efectos de la lluvia ácida en Marte. desarrollado sobre arena. Los suelos arcillosos

arena. estaban fuera de las condiciones de desarrollo.

El helecho marciano murió a un pH más alto

de lo esperado. El modelo FALLÓ. No se

La arcilla libera aluminio en condiciones controló la lluvia ácida, la producción de

Lo utilizó para intentar predecir los ácidas. El aluminio es TÓXICO para el helechos marcianos disminuyó y sobrevino la

efectos de la lluvia ácida en suelos arcillosos. helecho marciano. hambruna.

14 1. INTRODUCCIÓN

PREGUNTAS DE AUTOEVALUACIÓN: ¿QUÉ TIPO DE MODELO DEBE USAR?

1. P: ¿Qué término describe mejor cada uno de los siguientes?

una. ¿El modelo es predictivo o descriptivo?

I. Entradas

ii. Salidas
iii. Alcance

iv. Solicitud
[A: iii. Alcance]

B. ¿Los valores usados por el modelo para predecir el resultado?

I. Entradas

ii. Salidas
iii. Alcance

iv. Solicitud
[A: i. Entradas]

C. ¿El tipo de relaciones utilizadas en el modelo para explicar los resultados observados?

I. Entradas

ii. Salidas
iii. Alcance

iv. Solicitud
[A: iv. Solicitud]

2. Quieres saber si un helecho marciano está vivo o muerto al final de un experimento en el que se expone a agua ácida.

P: ¿El resultado del modelo es cualitativo o cuantitativo?

[A: Cualitativo: está vivo o muerto].

3. Quieres saber cuánto se reduce el crecimiento cuando el helecho marciano se expone al agua ácida.

P: ¿El resultado del modelo es cualitativo o cuantitativo?

cultivadas en agua neutra].

[R: Cuantitativo: el resultado debe mostrar la reducción relativa en el crecimiento de las plantas cultivadas con agua ácida en comparación con las plantas

4. Quiere saber cuánto cada día disminuye el tamaño de las plantas de helecho marciano cuando se exponen al agua ácida.

P: ¿Cómo describiría la variable de entrada, el agua ácida que se agrega cada día?
[A: Dinámico con respecto al tiempo].

5. Utiliza un modelo estadístico para describir sus resultados sobre el impacto de la acidez en el helecho marciano. P: ¿El alcance del

modelo es descriptivo o predictivo?

[A: Descriptivo: utilizado en el mismo experimento del que se derivó el modelo].

6. Desarrolla un modelo que simula el efecto de la acidez en el crecimiento del helecho marciano utilizando sus resultados, que luego

aplica al helecho que crece en la naturaleza.

 1.4 ¿QUÉ MODELO DEBO UTILIZAR? 15

P: ¿El alcance del modelo es descriptivo o predictivo?

[A: Predictivo: utilizado fuera de los datos originales utilizados para desarrollar el modelo].

7. Desea desarrollar un modelo para predecir lo que sucederá con el helecho marciano bajo diferentes posibles concentraciones

futuras de lluvia ácida. Desarrolla el modelo a partir de las relaciones que encontró en un experimento en el que se midió el

crecimiento de las plantas con diferentes acidez.

P: ¿Debe describirse la aplicación del modelo como funcional o mecanicista?

[R: Funcional, ya que no simula cómo la acidez afecta el crecimiento de las plantas].

1.4.2 Determinar qué tipo de matemáticas usar en el modelo

En la sección 1.4.1, describimos cómo se define el tipo de modelo por la naturaleza de las hipótesis a partir de las cuales se
construye. El propósito de esta sección es ilustrar cómo se puede responder la misma pregunta utilizando muchos tipos
diferentes de matemáticas. Se pueden usar muchos enfoques matemáticos diferentes para explorar, explicar y modelar los
mismos datos, y esto agrega más a la jerga del modelado y puede ser muy confuso. Sin embargo, las distinciones importantes
entre modelos no radican en el tipo de matemáticas utilizadas, sino en el propósito para el cual se desarrolló el modelo, es
decir, el tipo de modelo descrito en la Sección 1.4.1.

Las matemáticas elegidas no son más que los materiales utilizados para construir el modelo. Es como elegir construir una
casa con ladrillos, palos o paja; diferentes materiales son más adecuados para diferentes propósitos, pero la característica
importante de la casa no es el material del que está hecha, sino el propósito al que se le puede dar. La característica
importante de una casa de paja es que es un alojamiento temporal de construcción rápida, no que esté hecha de paja. La
característica importante de una casa de ladrillos es que es fuerte y no se derrumba, no que esté hecha de ladrillos.

Sin embargo, debido a que sabemos que las casas de ladrillo tienden a ser fuertes y no se derrumban, una casa a menudo
se describe por el material del que está hecha y no por su propósito. Lo mismo se aplica a los modelos, por lo que a menudo
escuchará un modelo descrito por las matemáticas a partir del cual se construye. Un modelo puede describirse como
estadístico, geoestadístico, bayesiano, una red neuronal, autómatas celulares, basado en procesos; ¡La lista sigue y sigue! Al
igual que con la casa de ladrillos, estos términos se vuelven importantes solo porque sabemos algo sobre las características
de los modelos construidos utilizando los diferentes enfoques matemáticos. Las características de los enfoques y cómo elige
un enfoque para desarrollar su modelo se discutirán más en el Capítulo 2. Aquí, discutimos cómo la jerga que describe el
enfoque matemático se relaciona con el tipo de modelo y, por lo tanto, ayuda a describir mejor su propósito. No se preocupe
acerca de cómo debe utilizar exactamente cada tipo de enfoque. En cambio, concéntrese en lo que el enfoque hace, ya que es
esto lo que le permite evaluar qué tipo de modelo puede utilizar este enfoque.

Se podrían usar muchos enfoques matemáticos diferentes para abordar la pregunta de investigación general '¿Cómo afecta
la lluvia ácida en Marte al helecho marciano?' Esta pregunta podría formularse de muchas formas diferentes; es la forma exacta
de la pregunta de investigación la que determina la
dieciséis 1. INTRODUCCIÓN

naturaleza de las hipótesis subyacentes, el tipo de modelo asociado con las hipótesis y la elección del enfoque matemático.

Si la pregunta es '¿Cómo afecta la lluvia ácida en Marte el tamaño del helecho marciano?', Entonces la Talla del helecho

marciano debe estar relacionado con el pH del agua de lluvia.

Como ya se analizó en la Sección 1.4.1, esto se puede hacer mediante una hipótesis como:

H 1: ' El tamaño de las plantas de helecho marciano disminuirá en un 15% con cada disminución en la unidad de pH del

agua de lluvia en un sitio elegido. '

El modelo desarrollado a partir de esta hipótesis sería

• cuantitativo (porque la salida, Talla, es una medida cuantitativa),

• determinista (porque no estamos específicamente interesados en los riesgos, por lo que el resultado de valor único más

simple: 15% con cada disminución en la unidad de pH —Es suficiente),

• funcional (porque el modelo debe describir qué los efectos de la disminución del pH son, no cómo la disminución del
pH tiene este efecto) y

• descriptivo (porque no pretendemos extender los resultados más allá de las condiciones de los experimentos originales).

Como el modelo es descriptivo y funcional, no hay necesidad de ecuaciones basadas en procesos; a estadístico modelo es un
buen enfoque. Un modelo estadístico deriva las ecuaciones matemáticas utilizadas en el modelo directamente de los datos
medidos utilizando técnicas estadísticas estándar. Los datos podrían, por ejemplo, analizarse mediante un análisis de varianza
(ANOVA), como se encuentra en la mayoría de los paquetes de software estadístico. Este es un tipo de matemáticas que se
puede utilizar para traducir la hipótesis en un modelo de trabajo. Cuando un modelo se describe como estadístico,
inmediatamente se sabe que no comprende los procesos involucrados, por lo que es poco probable que sea preciso si se usa
para predecir resultados fuera de las condiciones para las que fue desarrollado. Además, sabe que no puede proporcionar una
comprensión mecánica de las respuestas observadas porque esta información no se incluye en las relaciones estadísticas
derivadas de los datos. debería ser solo funcional y descriptivo.

Sin embargo, si está interesado en cómo es el helecho marciano repartido Con respecto al pH de la lluvia en Marte, la
pregunta se reformularía como "¿Cómo afecta la distribución de la lluvia ácida en Marte a la distribución del helecho
marciano?" La hipótesis en la que se basa el modelo permanece sin cambios, pero la pregunta de investigación dicta que el
modelo ahora requiere un componente espacial para describir la distribución espacial. Un conjunto de enfoques matemáticos
que se pueden utilizar para describir la distribución espacial se denomina geoestadística. Para desarrollar un modelo
geoestadístico, se recogen medidas de lluvia ácida y helecho marciano en una serie de puntos en un mapa. Al igual que con
un enfoque estadístico, los procedimientos geoestadísticos se utilizan para ajustar las ecuaciones que determinan la
ocurrencia del helecho marciano con respecto al pH del agua de lluvia. Estas ecuaciones luego forman el cuerpo del modelo.
Si un modelo se describe como geoestadístico, usted sabe, en cuanto al enfoque estadístico, que solo debe usarse para
aplicaciones funcionales y descriptivas, pero que también puede manejar información sobre la distribución espacial de los
datos de entrada y proporciona una distribución espacial de los resultados. .
 1.4 ¿QUÉ MODELO DEBO UTILIZAR? 17

Alternativamente, podría ser el riesgos al helecho marciano de la lluvia ácida en Marte que son de mayor interés. En este
caso, la pregunta es '¿Cuáles son los riesgos para el helecho marciano de la lluvia ácida en Marte?' La hipótesis debe
cambiarse para expresar los riesgos asociados con la lluvia ácida, por ejemplo:

H 1: ' El tamaño de las plantas de helecho marciano disminuirá entre un 10 y un 20% con cada disminución en la unidad de pH de

el agua de lluvia en un sitio elegido. '

El modelo construido a partir de una hipótesis como esta será cuantitativo, funcional y descriptivo (como antes), pero los
resultados ahora serán estocásticos, proporcionando una idea de los riesgos asociados con la lluvia ácida (una disminución
del 10-20% con cada disminución en unidades de pH). Hay muchos enfoques matemáticos diferentes para construir tales
modelos estocásticos.

Bayesiano las estadísticas incorporan el conocimiento previo y la experiencia acumulada en los cálculos de probabilidad,
basados, por ejemplo, en las observaciones del año anterior. Las estadísticas bayesianas podrían utilizarse para abordar
cuestiones de riesgo. Para hacer esto, necesitaría recolectar, en el año anterior, medidas del tamaño del helecho marciano y
el pH del agua de lluvia. A partir de esta información, se puede determinar el rango de la probable disminución del helecho
marciano con el pH del agua de lluvia. Si un modelo se describe como bayesiano, usted sabe que no comprende los procesos
involucrados y, por lo tanto, debe usarse como modelo funcional, pero puede usarse para predecir el riesgo.

A red neuronal tiene una función similar y se puede entrenar con los datos del primer año. Una red neuronal es una pieza
de software que se 'entrena' presentándola con ejemplos de entrada y la salida deseada correspondiente. Las redes
neuronales imitan el sistema nervioso central de los vertebrados, para desarrollar reglas sobre las relaciones entre entradas y
salidas, como la disminución del helecho marciano con el aumento de la acidez de la lluvia. Para utilizar una red neuronal para
evaluar los riesgos para el helecho marciano de la disminución del pH del agua de lluvia, las mediciones del pH del agua de
lluvia y del helecho marciano deben recopilarse durante varios años y usarse para entrenar la red neuronal. La red neuronal
puede proporcionar una representación muy precisa de cómo ha cambiado el tamaño del helecho marciano con los cambios
en el pH. Un modelo construido usando una red neuronal es funcional,

Si, por el contrario, conoce la fuente de la lluvia ácida y quiere saber cómo el movimiento de la lluvia ácida desde la fuente
puntual afecta el crecimiento del helecho marciano, entonces la pregunta podría reformularse como '¿Cómo afecta el
movimiento de la lluvia ácida desde la fuente puntual al tamaño del helecho marciano?' Se podrían usar las mismas hipótesis
para describir el efecto de la lluvia ácida en el helecho marciano, pero se requerirían otras hipótesis para describir el
movimiento de la lluvia ácida desde la fuente puntual, como las siguientes:

H 1: ' El movimiento de la lluvia ácida viene dado por la dirección y velocidad del viento. '

Existen varios enfoques diferentes para describir los cambios espaciales en las variables y podrían usarse para construir un
modelo del movimiento de la contaminación ácida a partir de estas hipótesis. Los enfoques geoestadísticos ya discutidos
pueden usarse en este contexto. Otro enfoque es utilizar autómata celular. Los autómatas celulares separan el espacio
continuo en celdas discretas (ver Fig. 1.3). Las células luego reaccionan, mediante una serie de reglas o relaciones, a las
condiciones locales alrededor de la célula, por ejemplo, la condición de
18 1. INTRODUCCIÓN

1 2 etc.

Figura 1.3 Usando autómatas celulares para describir el movimiento de la lluvia ácida en Marte.

celdas vecinas. Esto crea un modelo simple que describe el movimiento de la contaminación ácida, lo que permite calcular la
cantidad depositada en la lluvia en todas las celdas alrededor de la fuente puntual. La relación estadística proporciona una
estimación del efecto de la lluvia ácida en cada celda sobre el helecho marciano. Si un modelo se construye a partir de
autómatas celulares, sabrá que describe el movimiento en una región. Como esto requiere una gran cantidad de cálculos, las
relaciones utilizadas en el modelo tienden a ser relaciones estadísticas simples, por lo que los autómatas celulares suelen ser
modelos funcionales, que solo proporcionan la comprensión del proceso de los movimientos.

Se utiliza un enfoque muy diferente si desea saber por qué la lluvia ácida afecta al helecho marciano de la misma manera que
lo hace. La pregunta de investigación debe reformularse como '¿Por qué la lluvia ácida en Marte afecta al helecho marciano?' La
simple hipótesis que es la base de los modelos estadísticos debe ser reemplazada por una serie de hipótesis que describan los
procesos que causan que el helecho marciano se vea afectado por el agua de lluvia ácida; hipótesis como las siguientes:

H 1: ' El aluminio se libera de los minerales arcillosos de acuerdo con la constante de equilibrio del ácido.

reacción ',

H 1: ' El aluminio es tóxico para el helecho marciano en concentraciones superiores a 20 ppm ',

etcétera.
El modelo construido a partir de esta serie de hipótesis ya no es funcional; es mecanicista porque contiene explícitamente
información sobre los procesos del sistema. Los modelos de este tipo se describen generalmente como basado en procesos modelos.
Si un modelo se describe como basado en procesos, inmediatamente sabrá que se puede utilizar para comprender los
mecanismos que afectan los resultados y, si los procesos se describen adecuadamente, entonces debe ser preciso cuando se
utilice para predecir.
 1.4 ¿QUÉ MODELO DEBO UTILIZAR? 19

Esta discusión ilustra cómo las matemáticas utilizadas para construir un modelo influyen en las capacidades y robustez del modelo. Conocer el tipo de

modelo necesario determinará el tipo de matemáticas apropiadas; esto ayuda en el desarrollo del modelo. Conocer las capacidades de las matemáticas

determinará la aplicación y el alcance de un modelo existente; esto nos ayuda a decidir si un modelo existente es apropiado para un propósito determinado.

Lejos de ser confuso, la jerga asociada con los modelos puede aumentar en gran medida nuestra comprensión de los modelos. La lista de jerga que se

presenta aquí no pretende ser exhaustiva; esto no es factible en un campo en constante desarrollo donde diferentes personas usan diferentes nombres para

la misma cosa. Los ejemplos dados tienen como objetivo demostrar cómo debe responder cuando se encuentra con un nuevo enfoque matemático. Un

constructor, enfrentado a un nuevo tipo de material de construcción, encontrará las características del nuevo material (¿Qué tan pesado es? ¿Qué tan fuerte

es? ¿Cuál es su forma? ¿Cómo se pueden fijar juntos?). Luego, el constructor puede evaluar qué tipo de casa se puede usar para construir este nuevo

material. De manera similar, un modelador matemático, al enfrentarse a una nueva jerga que describe un enfoque matemático, debería descubrir las

características del enfoque. Si el modelador sabe qué tipo de modelo se necesita, entonces la idoneidad del nuevo enfoque puede evaluarse más fácilmente.

un modelador matemático, al enfrentarse a una nueva jerga que describe un enfoque matemático, debe descubrir las características del enfoque. Si el

modelador sabe qué tipo de modelo se necesita, entonces la idoneidad del nuevo enfoque puede evaluarse más fácilmente. un modelador matemático, al

enfrentarse a una nueva jerga que describe un enfoque matemático, debe descubrir las características del enfoque. Si el modelador sabe qué tipo de modelo

se necesita, entonces la idoneidad del nuevo enfoque puede evaluarse más fácilmente.

Fracaso debido a la elección del tipo incorrecto de matemáticas

… Pero cuando se aplica sobre un suelo que

contiene arcilla, las relaciones estadísticas no Un modelo mecánico que incluía una

Su predecesor desarrolló un modelo se mantuvieron, porque la arcilla libera descripción de aluminio.

estadístico. El modelo se ajustó a los aluminio tóxico a medida que el suelo se La movilización a pH bajo habría podido

resultados de los experimentos de cultivo de acidifica. Esto no estaba en el modelo. predecir mejor el crecimiento del helecho

helecho marciano en arena ... marciano en una variedad de suelos.

PREGUNTAS DE AUTOEVALUACIÓN: ¿QUÉ TIPO DE MATEMÁTICAS DEBE USAR?

1. P: Para responder a la pregunta "¿Por qué la lluvia ácida en Marte afecta al helecho marciano?", ¿Cuál de los siguientes

enfoques matemáticos sería probablemente inadecuado?

una. Mecánico
B. Estadístico

C. Red neuronal
[A: by c. Ninguno de los dos se basa en procesos, por lo que no se puede describir por qué la lluvia ácida afecta al helecho marciano.]
20 1. INTRODUCCIÓN

2. P: Para abordar la hipótesis

'El tamaño de las plantas de helecho marciano disminuirá en un 15% con cada disminución en la unidad de pH del agua de lluvia en un sitio

elegido',

¿Cuál de los siguientes enfoques matemáticos sería probablemente inadecuado?

una. Mecánico
B. Estadístico

C. Red neuronal
[R: Ninguno: todos serían potencialmente capaces de abordar la hipótesis].

3. P: Para modelar datos espaciales, como la distribución del helecho marciano en Marte, ¿cuál de los siguientes enfoques

matemáticos pudo potencialmente ser utilizado?

una. Mecánico
B. Estadístico

C. Red neuronal
D. Autómata celular
suficientes datos de entrenamiento espacial.]

[R: Se pueden usar todos; d es ideal; ayb podrían usarse si están vinculados a un conjunto de datos espaciales de datos de entrada, yc podría usarse si estuvieran disponibles

4. P: ¿Cuáles de las siguientes opciones son importantes a la hora de elegir el tipo de matemáticas a utilizar en un modelo?

una. La pregunta a abordar

B. Los tipos de datos de entrada disponibles

C. Si las matemáticas son inteligentes o no

D. La hipótesis formulada a partir de su pregunta de investigación.
[A: ayd son de importancia primordial; b también debe tenerse en cuenta; y c no es importante.]

1,5 Elegir un modelo existente

Antes de que se pierda tiempo en desarrollar un modelo inapropiado, el modelo requerido debe clasificarse cuidadosamente
utilizando el análisis anterior. La clasificación del modelo (ya sea estático o dinámico, cualitativo o cuantitativo, determinista o
estocástico, descriptivo o predictivo, funcional o mecanicista; consulte la Sección 1.4.1) ayudará con las búsquedas en las
bases de datos y la literatura científica de los modelos existentes en esta área. A continuación, puede evaluar los modelos
disponibles para determinar su idoneidad para sus fines. Desarrollar su propio modelo requiere tiempo y compromiso, y al
igual que otras áreas de la ciencia, siempre debe basarse en el trabajo de otros. Definir cuidadosamente lo que se necesita
antes de comenzar le ayudará a lograrlo.

Al clasificar el tipo de modelo necesario para responder la pregunta específica, formulada de una manera específica, y al
comprender cómo se relaciona la elección de las matemáticas con el tipo de modelo, puede determinar rápidamente si ya
existe un modelo apropiado. Si es así, y está disponible para usted, puede probarlo y ver si funciona. A menudo, sin embargo,
no existe el tipo correcto de modelo (ver Fig. 1.4). En este caso, clasificando el tipo de modelo
 1.6 ¿CÓMO SE HACE UN MODELO? 21

¿Existe el modelo? (Bases de

datos / literatura)
sí

¿Están las hipótesis incluidas y en la

forma correcta?

No No

sí Puedes cambiar
las hipótesis?

sí No

Utilizar el Cambiar el Desarrolla tu

modelo modelo propio modelo Figura 1.4 ¿Debería desarrollar mi propio modelo?

Need le ha ahorrado una gran cantidad de tiempo para aprender a usar un modelo inapropiado y preguntarse por qué no le
dice lo que quiere saber. Si no existe un modelo adecuado, no tiene más remedio que hacer el suyo.

1,6 ¿Cómo se hace un modelo?

Hacer un modelo que haga exactamente lo que usted quiere que haga implica una serie de etapas importantes: desarrollo,
evaluación y aplicación del modelo. Estas etapas pueden ser engorrosas y laboriosas, pero si, en aras de un progreso más
rápido, omite alguno de estos pasos, es probable que termine con un modelo que no se comporta bien y le causa vergüenza.

Comenzamos con la pregunta de investigación u objetivo práctico (Fig. 1.5). Es valioso anotar esto antes de comenzar para
asegurarse de no dejarse llevar por lo que

Responder
Investigación

pregunta
Co
noC
rtm
e pi
Evaluación tg
a Fotografía
tu
al
me
to
ro Dm
il

Hipótesis
Mediciones Y
supuestos

Matemático
modelo

Figura 1.5 Etapas en la realización de un modelo.

22 1. INTRODUCCIÓN

usted pudo modela y olvida que es lo que tu necesitar modelar. A menudo es útil visualizar el problema haciendo un dibujo
para resumir los problemas clave. La imagen nos ayuda a enumerar las principales hipótesis y supuestos que constituyen el
modelo. Ahora has hecho un modelo conceptual. Este modelo conceptual se puede examinar para determinar las
características necesarias en el modelo de trabajo. Las hipótesis y supuestos se transforman en ecuaciones matemáticas y se
unen para producir el modelo. Algunos de los muchos enfoques diferentes utilizados para producir y vincular las ecuaciones
matemáticas necesarias (es decir, para desarrollar el modelo matemático) se describirán con más detalle en el Capítulo 2.

Desarrollar el modelo no es el final del proceso. Es fundamental que, antes de que se utilice con ira, el modelo de trabajo
se evalúe con medidas independientes de la variedad de situaciones en las que necesita funcionar. La respuesta del modelo a
los cambios en las variables de entrada debe determinarse mediante un análisis de sensibilidad y los resultados deben
compararse con las respuestas medidas de estos factores. Se debe cuantificar la incertidumbre asociada con las simulaciones
y realizar un análisis de incertidumbre para cuantificar los cambios en la incertidumbre en diferentes situaciones. Esto se
describirá con más detalle en el Capítulo 3.

Después de una evaluación exitosa del modelo, usted tiene confianza en su modelo y puede comenzar a usarlo. La
responsabilidad de garantizar el uso adecuado del modelo recae en la interfaz de usuario. Tablas completas de valores
predeterminados de entrada, mensajes completos de error y advertencia, soporte completo de ayuda y documentación del
sistema, y la presentación clara de los resultados, son inherentes al arte de la aplicación de modelos, que se discutirá en el
Capítulo 4. Para permitirnos aplicar modelos en el mundo real, debemos comprender cómo se conciben, desarrollan y prueban
los modelos. Si quieres hacer esto, ¡sigue leyendo!

Elegir un modelo existente

Usando las palabras 'helecho', 'ácido' y 'lluvia',

El modelo de su predecesor falló. Te preguntas su motor de búsqueda muestra bastantes

si ya hay modelos disponibles que puedan páginas (más de 247000) sobre la sensibilidad

usarse para modelar el crecimiento de helechos Miras en Internet para ver si hay algún del helecho a la lluvia ácida. Los helechos

marcianos bajo lluvia ácida ... modelo de lluvia ácida que se ocupe del terrestres son muy sensibles a la lluvia ácida.

crecimiento de helechos en la Tierra.

 RESUMEN 23

Más tarde, construirá un modelo para hacer

Obtiene copias de los modelos y los prueba, esto, pero encontrará que hay problemas

Refina su búsqueda con el término 'modelo' pero decide que ninguno hace lo que usted más grandes asociados con el cultivo de

y el número de resultados disminuye, pero quiere que haga y ninguno ha sido probado en helechos marcianos que deberá abordar

existen uno o dos modelos. Marte. Entonces tienes que construir tu propio primero. ¡Siga leyendo en el Capítulo 2!

modelo ...

■ RESUMEN

1. Los modelos tienen el potencial de

una. comparar los efectos de dos teorías alternativas,

B. cuantificar los resultados esperados,

C. describir los efectos de factores complejos, como variaciones aleatorias en las entradas,

D. explicar cómo los procesos subyacentes contribuyen al resultado observado,

mi. extrapolar resultados a otras situaciones,

F. predecir eventos futuros, y

gramo. traducir nuestra ciencia en una forma que pueda ser utilizada fácilmente por no expertos.

2. Los modelos pueden clasificarse por las hipótesis en las que se basan.

3. Una hipótesis se puede clasificar por sus resultados, entradas, alcance y aplicación.

4. Una hipótesis se puede clasificar por sus resultados como

una. cualitativo (la variable es una puntuación o categoría), o

B. cuantitativo (la variable es un número).

Si un modelo incluye alguna variable cuantitativa, se considera cuantitativo.

5. Una hipótesis cuantitativa puede clasificarse además como

una. determinista (la variable es un valor único), o

B. estocástico (variable es el rango de valores posibles).

Si un modelo incluye variables estocásticas, se considera estocástico.

6. Una hipótesis se puede clasificar por sus entradas como

una. estático (las variables se fijan para cualquier ejecución del modelo), o

B. dinámico (las variables cambian durante la ejecución del modelo).

Si un modelo incluye variables dinámicas, se considera dinámico.

24 1. INTRODUCCIÓN

7. Una hipótesis puede clasificarse por su alcance como

una. descriptivo (interpola observaciones), o

B. predictivo (extrapola más allá de las observaciones).

8. Una hipótesis puede clasificarse por su aplicación como

una. funcional (representa observaciones), o

B. mecanicista (explica los procesos subyacentes).

9. Los modelos se clasifican además mediante la transformación de hipótesis en ecuaciones matemáticas (por ejemplo, estadísticas,

geoestadísticas, bayesianas, redes neuronales, autómatas celulares, basadas en procesos).

10. Los modelos de trabajo se realizan en las siguientes tres etapas:

una. desarrollo (la pregunta de investigación conduce a un modelo conceptual que conduce a un modelo

matemático),

B. evaluación (análisis gráfico, cuantitativo, de sensibilidad e incertidumbre), y

C. aplicación (interfaz de usuario, valores predeterminados, captura de errores, soporte de ayuda, presentación de resultados y documentación del

sistema).

■ PROBLEMAS (LAS SOLUCIONES SE ENCUENTRAN EN EL APÉNDICE 1.1)

1.1. ¿Cómo clasificaría el siguiente modelo? Se ha desarrollado un modelo para permitir a los agricultores predecir el

aumento potencial en el peso de sus vacas con la cantidad de alimento concentrado administrado cada día. El modelo

se estructura en torno a la siguiente hipótesis:

' Existe una probabilidad del 95% de que el peso de las vacas aumente de 0,1 a 0,2 kg con cada kilogramo adicional de

alimento administrado cada día. '

Especifique el tipo de

una. salidas,
B. entradas,

C. alcance y
D. solicitud.

1.2. ¿Cómo clasificaría el siguiente modelo? Se ha desarrollado un modelo para ayudar a los responsables políticos a estimar los cambios

en el carbono del suelo europeo con cambios en la gestión de la tierra. Este modelo debe usarse para cuantificar cómo las reservas de

carbono del suelo podrían cambiar en respuesta a cambios en la gestión de la tierra y para determinar métodos de gestión mejorados que

podrían utilizarse para aumentar las reservas de carbono del suelo. Está estructurado en torno a las siguientes hipótesis:

Hipótesis 1: ' El manejo de la tierra (manejo del estiércol, prácticas de labranza y manejo de residuos de cultivos) determina las reservas de

carbono del suelo en las tierras de cultivo ',

Hipótesis 2: ' Cambiar la gestión de la tierra cambiará las reservas de carbono del suelo a un nivel determinado por

el nuevo régimen de gestión. '

Especifique el tipo de

una. salidas,

B. entradas,
 PROBLEMAS 25

C. alcance y

D. solicitud.

1.3. ¿Cómo clasificaría el siguiente modelo? Se ha desarrollado un modelo para ayudar a los investigadores a estimar el

tamaño de una población de delfines, basándose en la probabilidad de avistar un delfín previamente marcado en visitas

sucesivas. El modelo se basa en la siguiente hipótesis:

' La probabilidad de avistar un delfín previamente marcado depende del tamaño de la población de delfines. '

Especifique el tipo de

una. salidas,
B. entradas,

C. alcance y
D. solicitud.

1.4. ¿Cómo clasificaría el siguiente modelo? Se ha desarrollado un modelo para ayudar a los productores de bioenergía a

determinar qué cultivos de biocombustible se pueden cultivar en diferentes sitios. El modelo se basa en las siguientes

hipótesis:

Hipótesis 1: ' Un cultivo de biocombustible no crecerá fuera de un rango de temperatura específico durante la temporada de crecimiento. ',

Hipótesis 2: ' Un cultivo de biocombustible no crecerá por encima de una elevación especificada. ', Hipótesis 3:' Un cultivo de

biocombustible no crecerá fuera de un rango de lluvia específico. '

Especifique el tipo de

una. salidas,

B. entradas,

C. alcance y

D. solicitud.