You are on page 1of 4

Seleccionando el mejor modelo: Nivel de detalle, complejidad y rendimiento del modelo. 1.

INTRODUCCIÓN Los modelos matemáticos y basados en computador se usan ampliamente en muchas áreas de la ciencia y la industria, tales como: genética poblacional, modelado del estado del clima, simulación de la línea de producción, teorías de cosmología, entre otras. El modelado podría ser llevado cabo por varias razones; sin embargo, el objetivo más común es el de predecir el comportamiento de un sistema bajo circunstancias particulares; ya sea que dicho comportamiento sea imposible o al menos indeseado para poder experimentar con el sistema en sí. El entendimiento del sistema logrado por el modelador y el usuario puede ser también un beneficio importante del proyecto, particularmente en investigación científica cuando este sea el objetivo principal. Un modelo podría ser completamente predictivo, como también ser parte de un proceso de toma de decisiones, mientras que hay otras ocasiones en donde un modelo sea solamente descriptivo, simplemente resumiendo el entendimiento del sistema por parte del modelador. Igualmente un proyecto de modelado podría tener otros objetivos tales como ayudar a diseñar experimentos o identificar requisitos de investigación. A pesar de la gran variación en los tipos de modelos y sus usos, el proceso de modelado en sí mismo tomará la misma forma para la mayoría de los proyectos y típicamente puede ser derivado en los pasos de la formulación de un problema: recolección y análisis de datos, formulación del modelo, construcción del modelo, verificación y validación, experimentación, análisis de resultados, conclusiones e implementación. Las definiciones de verificación y validación no se encuentran consistentes en la literatura; sin embargo, aquí se toma que la verificación es el proceso de probar si el modelo funciona como se pretende; y validación es el proceso de comparar los resultados del modelo con datos históricos medidos. Los pasos del modelado no componen un proceso lineal; no obstante, algún modelo podría involucrar varios lazos; esto nos lleva a que la selección del modelo afecta a cada uno de los pasos. La selección del mejor modelo crece en el paso de la formulación del modelo. Este paso produce un modelo conceptual, el cual es una especificación completa del modelo a construir, y el objetivo de este paso es seleccionar el modelo conceptual que guiará al mejor resultado de proyecto total. La construcción real del modelo es un paso separado. El rango de los posibles modelos es usualmente muy amplio, ya que se conoce una gran cantidad de relaciones en el sistema en muchas escalas diferentes tanto espaciales como temporales. La selección del mejor modelo es frecuentemente vista como el problema de escoger el apropiado nivel de detalles, y se le considera uno de los más aspectos difíciles del proceso de modelado, como también uno de los cuales tiene un mayor efecto en el éxito del proyecto.

2. RENDIMIENTO DEL MODELO La evaluación del rendimiento de un modelo debería cubrir el impacto del modelo en todos los aspectos del proyecto. Tal como una evaluación depende de un proyecto en particular, un modelo daría un rendimiento diferente si es usado para dos proyectos diferentes. La evaluación total debería incluir los siguientes 11 elementos de rendimiento: RESULTADOS. 1. La cantidad a la cual los resultados del modelo describen el comportamiento de interés (Es decir, si la salida tiene un alcance adecuado y detallado). 2. La precisión de los resultados del modelo (Frecuentemente las predicciones del comportamiento del sistema). 3. La facilidad con la cual el modelo y sus resultados pueden ser entendidos. USO FUTURO DEL MODELO. 4. La portabilidad del modelo y la facilidad con la cual puede ser combinado con otros modelos. VERIFICACIÓN Y VALIDACIÓN. 5. La probabilidad de que el modelo contenga errores (Es decir, el modelo construido no se parece al modelo conceptual). 6. La precisión con la cual el modelo se ajusta a los datos históricos conocidos (Validación). 7. La fortaleza de las bases teóricas del modelo incluyendo la calidad de los datos entrantes (La credibilidad del modelo). RECURSOS REQUERIDOS. 8. El tiempo y el costo para construir el modelo (Incluyendo recolección de datos, verificación y validación). 9. El tiempo y el costo para ejecutar el modelo. 10. El tiempo y el costo para analizar los resultados del modelo. 11. Los requisitos de hardware (Ejemplo: La memoria del computador) para ejecutar el modelo. 3. EL SIGNIFICADO DEL NIVEL DE DETALLES Y LA COMPLEJIDAD. No hay una definición aceptada de nivel de detalles o de complejidad, y de hecho, una definición formal rara vez se ha intentado; sin embargo, cuando se aplica a un modelo, el nivel de detalles usualmente significa la inclusión en el modelo de la cantidad de elementos observables del sistema y las relaciones asumidas en dicho sistema. El nivel de detalles tiende a referirse al sistema que el modelo representa (Por ejemplo, en el caso de una línea de producción sería: el número de máquinas, partes, entre otras cosas, incluidas en el modelo) en vez que a la manera precisa en la cual el modelo es implementado (Tal como el número de variables usadas). Los modelos frecuentemente se describen como bien detallados, lo cual indica que el modelo contiene la mayoría de los elementos e interacciones que se creen que existen en el sistema que se está modelando. El término complejidad es mucho más común que el de Nivel de detalles; aunque se usa en muchas maneras diferentes, tal como la dificultad en calcular una función (Complejidad computacional), un atributo estructural de una parte de un software (Complejidad del

Software), la dificultad experimentada por las personas en percibir la información o en resolver problemas dentro de un ambiente en particular (Complejidad del comportamiento) y la complejidad de los términos, oraciones y teorías (Complejidad de la lógica y la semántica). 4. MIDIENDO LA COMPLEJIDAD DEL MODELO. Si el modelo puede ser especificado como un número de componentes conectados, entonces se puede representar como una gráfica, con los nodos de la gráfica representando los componentes y los bordes representando las conexiones (es decir, las relaciones) entre los componentes, y las mediciones de la teoría de gráficos usadas para medir los dos primeros de estos elementos. Sin embargo, para cualquier modelo dado hay posiblemente muchos gráficos y muchas mediciones alternativas. Los modelos implementados como programas de computador pueden para la mayoría de lenguajes de programación, ser representados gráficamente mediante la gráfica de control del programa en la cual los nodos representan bloques de código en el cual el control es secuencial y los bordes representan ramas en el programa. 5. LA RELACIÓN ENTRE EL RENDIMIENTO DEL MODELO Y EL NIVEL DE DETALLES O LA COMPLEJIDAD DEL MODELO. El nivel de detalles y la complejidad de un modelo son ampliamente reconocidas al tener un efecto muy importante en el rendimiento del modelo. A un modelo más complejo se le espera que tenga gran validez y que dé resultados más detallados y precisos; sin embargo, sus desventajas son: utiliza más recursos, es más posible que contenga errores, más complicado para entender y menos transportable. 6. SIMPLIFICACIÓN Y OTRAS ÁREAS RELACIONADAS. La selección del mejor modelo requiere no solo de una apreciación del rendimiento de cada modelo, sino también del conocimiento de los posible modelos alternativos. Hay muchos modelos que podrían ser construidos en muchos casos y el mejor modelo no sería identificado como un modelo posible. Al estructurar los modelos por nivel de detalles, se puede ayudar en la búsqueda de los mejores modelos, y una manera de identificar nuevos modelos es tomando un modelo existente e intentar simplificarlo. Zeigler estableció cuatro categorías de métodos de simplificación: 1. Eliminar partes sin importancia del modelo. 2. Reemplazar parte del modelo por una variable aleatoria. 3. Ampliando el rango de valores tomados por una variable. 4. Agrupando partes del modelo. El modelo simplificado que use estos métodos, será del mismo tipo que el original; también es posible reemplazar parte de un modelo con un modelo de un tipo diferente, tal como analizando las entradas y los resultados de una parte en particular, y reemplazándola con: una ecuación de regresión, una ecuación analítica o una red neuronal (si la parte original era muy compleja).

7. CONCLUSIONES. La falta de investigación en los procesos de selección del mejor modelo es sorprendente, a pesar de la importancia del modelado en la ciencia. Hay muy pocos estudios que han hecho alguna evaluación cuantitativa del efecto de los atributos de modelos diferentes en el proceso de modelado. Modelos diferentes son frecuentemente comparados mediante sus niveles de detalles o complejidad, aunque las comparaciones solo son cualitativas. Se necesita de una metodología para realizar simplificaciones en los modelos.