Concepto y Tipos de Modelos Cientficos

Publicado por Juan Jos Ibez el 10 mayo, 2008 Comentarios (10)

Los vocablos modelo y modelizacin, en su acepcin ms amplia, incluyen una gran variedad de contructos realizados por el intelecto. Segn el contexto donde se inscriban tambin adquieren significados diferentes. Segn Jeffers (1982) un modelo s.l. sera la representacin de las relaciones entre algunas cantidades o cualidades definidas formalmente (generalmente en trminos matemticos o fsicos). Realmente bajo el trmino de modelo caben numerosos productos que van desde un simple esquema mental, hasta los sofisticados modelos de simulacin numrica.

Proceso ideal de modelizacin Fuente: iespaa Ya que estamos tratando en este curso bsico sobre filosofa y sociologa de la ciencia de aclarar conceptos (cuando ello es posible), utilizar en este post un documento base que publiqu con otros compaeros hace ya unos aos. 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 mbito de la computacin, entre otros.
Ibez,J.J., Machado,C., Zucarello,V. & Gonzlez-Huecas,C. 1995. Modelos de Simulacin y Variabilidad Espacio-Temporal. En: (pp. 111-132), Ibez, J. J. & Machado, C. (Editores), Anlisis de la Variabilidad Espacio-Temporal y Procesos Caticos en Ciencias Medioambientales, Geoforma-CSIC, 308 p. Logroo.

Hoy en da han existe un sinnmero de clasificaciones de modelos. Cuando en las dcadas de los aos 60 y 70 comenzaron los estudios sobre modelizacin en el mbito de los recursos naturales, las mencionadas caracterizaciones fueron muy tiles con objeto de estructurar las aproximaciones e ideas iniciales. Sin embargo, segn avanzaron las investigaciones y los constructos fueron ganando en complejidad, dejaron de reflejar los progresos alcanzados y, lo que es ms importante, comenzaron con harta frecuencia a confundir ms que a clarificar.

Uno de principales problemas que acarrean es que, a menudo, comioenza a apreciarse ms la publicacin de un modelo que analizar la realidad de campo. Ms aun, muchos investigadores y la prensa exponen sus resultados de tal modo, que confunden al ciudadano. Las conclusiones que se pueden obtener de un modelo, tan solo son validas si sus premisas lo son, as como si se ha hecho uso de los datos neseraios y suficientes. El problema estriba es que muy a menudo la naturaleza es demasiado compleja como para poder captarse por un mero modelo. Por tanto, son aproximaciones a la realidad que deben considerarse como hiptesis cientficas, hasta que sean corroboradas por evidencias empricas suficientes en el mbito para el que los autores los disearon. No debe por tanto extraar que algunos autores duden del inters de estas clasificaciones, mucho ms por cuanto al menos una buena parte de los modelos matemticos actuales son compuestos o hbridos, es decir que incluyen varios tipos de ellos de diferente naturaleza. Seguidamente se exponen algunas de las mismas.

Diseo ideal de Modelos Matemticos En una primera aproximacin, cabra distinguir entre modelos mentales, semnticos, fsicos, analgicos, matemticos y digitales (Tabla 1). Desde esta perspectiva, las representaciones mentales de rasgos y procesos constituyen lo que se denomina modelos conceptuales, mientras que su formalizacin lingstica da lugar a la elaboracin de modelos semnticos. Los modelos fsicos y analgicos se basan en estructuras materiales construidas en el laboratorio para simular el comportamiento de un sistema real. Generalmente se trata de prototipos con reducciones de escala respecto al fenmeno a modelar, fabricados con materiales. Un ejemplo sera la minuaturizacin de los cauces fluviales en un laboratorio, con vistas a analizar su comportamiento. Cuando se utilizan materiales cuyas propiedades pretenden emular el comportamiento del sistema natural a estudiar se

habla de modelos fsicos. Si por el contrario, se hace uso de estructuras elaboradas con materiales muy distintos a las del objeto o proceso a analizar se habla de modelos analgicos. No hablamos pues de lo que actualmente suele entenderse por modelos, que son los que acontinuacin esponemos. Los modelos matemticos son sistemas de ecuaciones y proposiciones lgicas que intentan representar las relaciones entre variables (propiedades mensurables del sistema cuyas magnitudes varan en el tiempo) y parmetros (cantidades temporalmente invariables que caracterizan al sistema). Cuando en la elaboracin de modelos matemticos se acude al uso de los ordenadores puede hablarse de modelos computacionales. CLASIFICACIN DE MODELOS PARA EL ESTUDIO DE LA EROSIN (MODIFICADO DE MORGAN 1986) MENTALES: Representacin mental de estructuras y procesos SEMNTICOS: Formalizacin lingustica de un modelo mental FSICOS: Modelos a escala reducida construidos generalmente en el laboratorio con materiales de distinta naturaleza; se asume una similitud dinmica entre el modelo y el sistema real ANALGICOS: Utilizan sistemas mecnicos o elctricos anlogos a los sistemas bajo consideracin, como por ejemplo, el flujo de electricidad puede ser capaz de simular el flujo de agua. NUMRICOS: Representacin formal en base al uso de matemticas. i. EMPRICOS: Se sustentan en la identificacin de relaciones estadsticamente significativas entre ciertas variables que se asumen como esenciales y suficientes para modelar el comportamiento del sistema. Con tal motivo, debe disponerse previamente de una base de datos de tamao adecuado. Pueden subdividirse en tres categoras diferentes: De Caja Negra: Slo se analizan los datos de entrada y de salida del modelo. De Caja Gris: Se explican algunos detalles del conocimiento existente sobre el comportamiento del sistema. De Caja Blanca: Se conocen y explican todos los detalles del comportamiento del Sistema. ii. ESTOCSTICOS: Consisten en la generacin de series de datos sintticas a partir de las propiedades estadsticas de las poblaciones de datos existentes. Son muy tiles con objeto de generar secuencias de datos que alimenten a modelos empricos o a los basados sobre leyes fsicas, cuando tan slo se dispone de informacin recogida durante periodos de observacin breves. iii. DE SOPORTE FSICO: Elaborados con ecuaciones matemticas al objeto de describir los procesos involucrados en el modelo, teniendo en cuenta las leyes de conservacin de masas y energa, etc. iii. DIGITALES: Modelos estocsticos, de soporte fsico, etc. Basados en el uso de ordenadores digitales capaces de procesar una gran cantidad de datos.

Alternativamente podemos hablar de modelos lgicos, empricos semi-empricos y fsicos. Puntualizemos aqu que el vocablo fsico no se refiere al uso de materiales, como en el prrafo anterior, sino al de los instrumentos conceptuales que nos deparan las ciencias fsicas. Un modelo lgico es aquel en el cual la representacin de una estructura o proceso se formula mediante las leyes de la lgica. Estas ltimas suelen acudir al auxilio de la simbologa matemtica. Un modelo emprico prescinde de consideraciones tericas, para centrarse en el anlisis (generalmente estadstico) de las relaciones entre los valores de las variables estimadas. Se entiende por modelo fsico o determinista a aquellos que se sustentan sobre leyes fsicas bien conocidas. Finalmente, se denominan modelos semi-empricos a los que utilizan leyes fsicas y estimaciones empricas simultneamente.

Otros autores prefieren categorizar los modelos matemticos como deterministas, probabilistas y de optimizacin. A su vez los modelos matemticos y computacionales pueden subdividirse en diferentes familias segn las herramientas metodolgicas utilizadas, como mostramos abajo. Independientemente del tipo de modelos considerado, estos varan en su grado de complejidad. As, en la bibliografa, pueden contemplarse desde formulaciones extremadamente simples hasta otras en las que intervienen una gran variedad de parmetros y variables cuyas interacciones son de carcter no lineal. Por trmino general, al complejizarse la estructura de un modelo, aumenta el tiempo empleado en su diseo, construccin y comprensin, as como los costes de implementacin. Frecuentemente, no existe una relacin directa entre complejidad y eficacia, por lo que, para determinados propsitos, pueden ser preferibles modelos simples frente a otros ms sofisticados. En los modelos fsicos no es infrecuente observar que algunas de las variables contempladas no hayan, sido directamente determinadas. En este ltimo caso sus valores se calculan mediante las denominadas funciones de transferencia, o escogiendo variables indirectas (tambin llamadas subrogadas) relacionadas con las que se deberan estimar. La razn debe buscarse en el hecho de que, a pesar de que existan mtodos para su determinacin, estos, son caros o complicados. Cuando las magnitudes de las variables no pueden ser fsicamente estimadas, se acude a procedimientos de calibracin especficos. Se trata pues de llegar a un compromiso entre la disponibilidad de datos, los costos y tiempo requeridos para la construccin del modelo y las restricciones experimentales para la determinacin de ciertas variables. Segn se ha progresado en la materia, la relacin entre el tiempo empleado en la adquisicin de datos y el gastado en la construccin del modelo ha variado sustancialmente. As, mientras en sus inicios, la tarea de modelizacin se centraba preferentemente en la obtencin de datos experimentales, la sofisticacin de los productos actuales ha invertido esta tendencia. Este hecho resukta ms que preocupante desde diferentes puntos de vista. Pongamos un ejemplo. Todos sabemos que aun no se a cuantificado el nmero de especies biolgicas que existen en el Planeta. Pues bien, en lugar de formar a ms taxnomos que las identifiquen, se destina ms tiempo y recuros econmicos a la elaboracin de modelos que intenten predecir las que pudiera haber, cabiendo uso de las mencionadas variables indirectas o subrogadas. Se trata de un tema muy preocupante ya que tales inferencias son meras aproximaciones basadas en la suposicin (muy a menudo no verificada) de que estas ltimas son buenas predoctores en un amplio espectro de circunstancias ambientales. Raramente este es el caso. Los nuevos avances en el campo de la modelizacin permiten la elaboracin de ciertas predicciones que en muchos casos no son susceptibles de verificacin experimental (ANDERSON & SAMBLES 1988). Este es el caso de los modelos que simulan la evolucin del paisaje a largo plazo, o el de los que predicen los intervalos de recurrencia de eventos catastrficos )sequas e inundaciones, por ejemplo) con prolongados periodos de retorno. Los primeros modelos en el mbito de los recursos naturales (y en otros muchos) fueron empricos (con la salvedad de los conceptuales, que han existido desde siempre). De hecho, an se siguen utilizando, dado que son fcilmente formulables, con relaciones costo-beneficio aceptables y, frecuentemente, de un poder predictivo no inferior al alcanzado por modelos mucho ms sofisticados, como los basados en leyes fsicas. En la terminologa de Morgan (1986), la mayor parte de aquellos productos corresponderan a los denominados modelos empricos de caja gris. Se basan en la identificacin y definicin de los procesos mecnicos de mayor relevancia para alcanzar los objetivos perseguidos. Con tal motivo suele requerirse un gran volumen de medidas experimentales, tanto de campo como de laboratorio. Tambin son imprescindibles herramientas estadsticas, ms o menos sofisticadas. Dentro de estas ltimas, las ecuaciones de regresin, simple o mltiple, han alcanzado gran popularidad. Actualmente, los modelos son estructurados sobre bases tericas ms slidas. En otras palabras, cada vez son ms abundantes los modelos basados en leyes fsicas. Estos tambin son conocidos como deterministas

(lineales o no lineales-caticos). Los modelos fsicos muy sofisticados suelen requerir un gran nmero, variedad y sofisticacin de variables y datos, as como largos procesos de computacin. Sin embargo, como ya hemos comentado, estos ltimos no son necesariamente mejores (p. ej., ANDERSON & SAMBLES 1988). Por otro lado, tampoco parece existir una relacin directa entre la complejidad de los modelos basados en leyes fsicas y su eficacia Finalmente, algunos autores defienden las bondades de los modelos estocsticos frente a los fsicos (SINGH et. al. 1988).

Tabla n 2
FAMILIAS DE MODELOS MATEMTICOS (Tabla no Exhaustiva) MODELOS DINMICOS MODELOS MATRICIALES (sobre lgica booleana o difusa) MODELOS ESTOCSTICOS (modelos de distribucin, anlisis de la varianza, Markov,etc.) MODELOS MULTIVARIANTES MODELOS DE OPTIMIZACIN MODELOS DE LA TEORA DE JUEGOS MODELOS DE LA TEORA DE CATSTROFES MODELOS CATICOS (geometra fractal, criticalidad autoorganizada, sinergtica,etc.) MODELOS DE REDES NEURONALES MODELOS DE AUTMATAS CELULARES Aunque no profundizaremos en este tema, es obvio que existen reas de investigacin en donde la modelizacin ha progresado ms que en otras. As, por ejemplo, en el mbito de la geomorfologa, las disciplinas que hacen un mayor uso de la modelizacin son la hidrologa, erosin y geomorfologa fluvial, mientras que en edafologa lo son la evaluacin y contaminacin de suelos, y en agricultura la agroclimtologa. En todo caso son las CC. de la atmsfera en donde se han alcanzado logros ms espectaculares, con vistas a predecir el comportamiento del sistema climtico.