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.

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

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

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

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

Sign up to vote on this title
UsefulNot useful