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.

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

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

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

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

Sign up to vote on this title
UsefulNot useful