Ok, hoy vamos a saltar de nuevo a un tema diferente y vamos a hablar un poco sobre diferentes guías de diseño y de diferentes formas de usar los MBA, de las que no tuvimos oportunidad de hablar antes déjenme empezar hablando un poco sobre modelos elaborados y realistas y lo que quiero decir con esto, es que muchos de los MBA que vimos como los de las bandadas de pájaros, los de segregación y los modelos de hormigas, son modelos muy muy simples, tienen reglas simples y estas reglas interactúan en formas muy interesantes, con patrones elaborados. Los modelos elaborados y realistas son en un sentido lo opuesto en este espectro, estos son modelos que tienen toda una variedad de mecanismos, que usan datos empíricos, satisfacen una serie de valores de salida y en algún sentido son más sencillos de falsar, porque si el modelo no se ajusta con los valores de los datos reales, entonces fallan, sabemos que hay algo que anda mal con ellos; tienen muchos beneficios, podemos imaginarnos por ejemplo el modelo de Schelling que fuera hecho para ajustarse a los patrones urbanos de Chicago, que nos muestren como a lo largo del tiempo, cómo la gente decide vivir en diferentes partes de la ciudad, por ejemplo; y en oposición al modelo de Schelling, que es un modelo muy simple e ideal uno puede pensar en cosas como el transporte que lo afecta, uno puede pensar en otros factores que no están en el modelo de Schelling y ver cómo es que se relacionan; podemos tener datos empíricos como datos del censo a lo largo del tiempo y podemos imaginar que tenemos datos de salida, como patrones de desarrollo futuro y cosas así pero el problema con los modelos ER, modelos elaborados y realistas, es que son muy contingentes, usualmente son construidos para un conjunto particular de datos o para un período de tiempo en particular; como resultado de ello son muy poco generalizables para otro conjunto de datos y para otro período de tiempo y pueden ser muy complicados de entender, si tiramos todos estos mecanismos, cómo sabemos qué mecanismos son los que están manejando los valores del modelo no hay necesidad de elegir entre modelos simples y realistas es una falsa dicotomía no hay una razón por la cual uno tenga que construir o bien un modelo simple o un modelo realista o elaborado, en vez de eso uno puede pensar en cosas como modelos orientados por patrones, por ejemplo hay un paper escrito por Grimm y colegas donde dicen que un modelo debe poder replicar diferentes niveles de granularidad y si lo hace, esa es un buen índice de que ese modelo nos está diciendo algo verdadero acerca de la forma en que el mundo funciona; esto nos puede llevar a que un modelo sea tanto elaborado y realista y a la vez simple y generalizable podría ser que uno tuviera una suerte de patrón simple que se puede observar en el modelo, pero que a la vez pueda dar predicciones específicas acerca de como un individuo o un grupo de individuos puede comportarse; pero ese modelo simple y perfecto puede ser muy difícil de construir, entonces podemos usar algo que llamamos modelo de amplio espectro y el modelo de amplio espectro implica que en vez de crear un modelo solo que describa un fenómeno simple que observamos y al mismo tiempo hacer predicciones específicas acerca del patrón urbano de Chicago, construimos un conjunto de modelos que exploran los conceptos diferentes en diferentes niveles, y si construimos esos modelos uno encima del otro, entonces tenemos el beneficio de cada uno de ellos, el modelo simple puede explorar la importancia y la necesidad de ciertos mecanismos, mientras que los modelos elaborados y realistas pueden ser usados para explorar instancias particulares y realizar predicciones particulares uno puede pensar esto como en un conjunto de muñecas rusas, donde uno de los modelos simples está anidado en modelos más complejos y esto me recuerda un poco la cita de Faulkner y otros que dijeron que "hay que matar a las cosas queridas", deberíamos tomar el modelo, la parte, el caso cuando uno escribe, toma las cosas que escribiste en el pasado y tiralas a la basura y volvé a escribirlas desde cero; a donde estoy queriendo ir, en muchos sentidos, es que uno puede tomar los modelos simples, tomar modelos más detallados pero no es necesario tirarlos a la basura, en ningún caso, pero sí se puede crear un nuevo modelo, que permita explicar aquellas cosas que se querían explicar con el otro modelo y a lo largo del tiempo, uno puede crear toda una serie de modelos, con diferentes características el principio de diseño de los MBA del que hablamos en la Unidad 4 y que dice que hay que construir el modelo de la forma más simple posible y que nos ayude a responder a ciertas preguntas, empezar siempre por la forma más simple posible construirlo en base a las preguntas este es un tipo de diseño adecuado para ello, uno construye el modelo simple, trata de responder algunas preguntas, tirémoslo a la basura! ni siquiera nos demos vuelta a mirarlo! construyamos el siguiente nivel del modelo y a lo largo del tiempo terminaremos con un conjunto de modelos, una serie de modelos, que exploran las preguntas en las que estamos interesados a diferentes niveles de detalle y a diferentes niveles de granularidad esta es la idea básica detrás del modelado de amplio espectro, espero que puedan pensar en ello a medida que construyen sus propios modelos hablemos ahora de otro diseño de modelos y estos no son dos tipos que se puedan complementar muy bien; un arranque típico de un modelo es que tenemos dos grupos de investigadores, tenemos expertos en el tema y tenemos implementadores de modelos aquí también uno puede cumplir los dos papeles, a medida que trabajamos en el desarrollo del modelo, donde a veces gastamos el tiempo investigando en el tema de interés y a veces gastamos el tiempo construyendo el modelo; pero más allá de ello, la estrategia típica es que uno diseña el modelo, usando el conocimiento experto que tenemos, luego construimos el modelo, basados en ese diseño y luego presentamos, comparamos los resultados con el original y esa es la forma típica con la que se trabaja en sistemas, creo que hay un número diferente de problemas, 1ro que todo, el diseño de los modelos en sus esquemas, rara vez se completa, lo que implica que en su implementación hay que tomar muchas decisiones, acerca de cómo poder especificar completamente al modelo y estas cuestiones de la implementación pueden estar mal o no ser lo que se quería hacer con el modelo original; también los resultados tempranos pueden tener implicaciones dramáticas, uno puede jugar un rato y decir, oh! si agrego este mecanismo puede que no pase nada por qué debería entonces poner ese mecanismo ahí? por lo tanto puede pasar que para el momento del análisis final el modelo no tenga nada que ver con el original la falta de comunicación entre los diseñadores y los implementadores de los modelos resulta en una falta de entendimiento, acerca de como el modelo trabaja, yo creo, personalmente, que uno no debe levantarse y simplemente decir, nuestro modelo muestra que, no se bien por qué y eso es un fenómeno interesante, porque no lo es, si no tomamos el tiempo para darnos cuenta de por qué el modelo nos muestra estos resultados, entonces quiere decir que no entendemos de verdad que es lo que está haciendo en verdad el modelo, que es lo que está generando esos resultados. Los diseñadores de los modelos necesitan entender por qué el modelo muestra esos resultados, uno nunca debería decir: eso es lo que muestra el modelo y ahí parar la conversación; uno debe ir a un nivel más profundo y comprender por qué el modelo muestra esos resultados siempre van juntos con una filosofía que se llama modelos iterativos esta idea es importante para los diseñadores de los modelos y para los implementadores que deben comunicarse en forma temprana y asidua; el nuevo ciclo de vida del modelo es que el diseñador del modelo tiene que trabajar con el implementador para especificar un modelo mínimo; el implementador del modelo entonces implementa ese modelo mínimo y los resultados son comunicados al diseñador, como un resultado de los resultados se deben definir como modificar el diseño del modelo en algún sentido, para poder capturar mejor el problema de interés, o puede ser posible que haya algunos parámetros que debemos meter dentro del modelo y de los que no sabemos que valores deberían tener, puede que el modelo requiera de clasificar los datos para poder entenderlos una vez que se hizo todo esto, uno "gasta" el modelo mínimo en la mínima cantidad y entonces repetimos el proceso otra vez Hay que llenar la "falla rápida" que significa probar algo, mostrárselo al diseñador, si es correcto, puede que nos diga bien esto está bien, si no lo es, entonces volvemos y lo reconsideramos esto también nos lleva a algo que se llama construcción de modelos "justo a tiempo" si uno trabaja duro porque tiene que llegar a una fecha determinada y uno usa una estrategia de modelado iterativo, podemos usualmente frenar y decir: frenemos el modelo aquí, veamos lo que nos dice y luego continuamos el proceso luego de la presentación, del paper o lo que sea esa fecha determinada esta es la idea básica detrás del modelado iterativo y creo que funciona muy bien especialmente en conjunción con los modelos de amplio espectro