Recuperación acumulativa: contrastar los modelos canónicos del curso

Comparar modelos mediante las mismas preguntas

El péndulo, el sistema de Lorenz, Ising, los modelos de agentes y las representaciones clínicas comparten un lenguaje de estados, relaciones y cambios. Esa semejanza permite transferir operaciones matemáticas, pero no convierte sus variables en equivalentes. Un ángulo medido en un dispositivo, una amplitud de un modo de convección y una puntuación clínica tienen procesos de observación y significados distintos. La comparación útil pregunta qué representa el estado, qué regla lo modifica, en qué escala se observa y qué evidencia sostiene la representación. Estas preguntas permiten reconocer tanto semejanzas formales como diferencias que impiden una transferencia directa.

La recuperación desarrollada utiliza ejemplos pequeños que pueden resolverse y comprobarse. No pretende reconstruir toda la teoría de cada modelo ni sustituir su estudio especializado. El objetivo es decidir qué operación corresponde a una pregunta y detectar errores frecuentes de interpretación. En cada caso se distingue una propiedad de las ecuaciones de una afirmación sobre un sistema empírico. Un cálculo de estabilidad puede ser exacto para un modelo y no demostrar que una persona o una organización posean ese equilibrio. La validez de la traducción requiere información adicional.

El punto de partida es una ficha conceptual común. El estado debe contener la información que el modelo necesita para determinar su evolución o distribución, dadas entradas y reglas. Las interacciones indican dependencias especificadas, no cualquier correlación observada. La escala define resolución y extensión temporal o espacial. La evidencia puede proceder de una derivación física, observaciones, experimentos o una decisión de idealización. Una representación puede ser útil con evidencia limitada para un propósito didáctico, pero esa utilidad no autoriza utilizarla como diagnóstico de un mecanismo real.

Péndulo: estado, energía y estabilidad

Un péndulo ideal sin forzamiento puede representarse mediante ángulo y velocidad angular. En unidades adimensionales, con amortiguamiento viscoso, su dinámica depende del seno del ángulo y de una pérdida proporcional a la velocidad. El estado necesita ambas variables: conocer el ángulo sin saber hacia dónde se mueve y con qué velocidad no determina la trayectoria. Dos observaciones con el mismo ángulo pueden corresponder a movimientos futuros diferentes. Esta distinción entre observación parcial y estado suficiente reaparece en modelos clínicos, aunque allí la definición de un estado suficiente sea mucho más incierta.

Derivar la energía a lo largo de una trayectoria produce menos el coeficiente de amortiguamiento multiplicado por la velocidad al cuadrado. Sin amortiguamiento, la energía se conserva. Con coeficiente positivo, no aumenta. Esta propiedad ofrece una comprobación del programa y una interpretación mecánica. Si una simulación sin entrada muestra crecimiento sistemático de energía bajo amortiguamiento, puede existir un error numérico o de implementación. La propiedad no garantiza que cualquier paso de integración sea adecuado; permite examinar si el método reproduce una consecuencia conocida de las ecuaciones.

import numpy as np
import math
import itertools

def rk4_step(function, state, step):
    k1 = function(state)
    k2 = function(state+step*k1/2)
    k3 = function(state+step*k2/2)
    k4 = function(state+step*k3)
    return state+step*(k1+2*k2+2*k3+k4)/6

def path(function, initial, duration, step):
    states = [np.asarray(initial, dtype=float)]
    for _ in range(int(round(duration/step))):
        states.append(rk4_step(function, states[-1], step))
    return np.asarray(states)

def pendulum(gamma):
    return lambda s: np.array([s[1], -np.sin(s[0])-gamma*s[1]])

def energy(states):
    return states[:,1]**2/2+1-np.cos(states[:,0])

conservative = path(pendulum(0), [1.0, 0.0], 20, 0.01)
damped = path(pendulum(0.2), [1.0, 0.0], 20, 0.01)
assert np.max(np.abs(energy(conservative)-energy(conservative)[0])) < 1e-6
assert np.max(np.diff(energy(damped))) < 1e-8
assert energy(damped)[-1] < energy(damped)[0]/20
print(energy(conservative)[[0,-1]], energy(damped)[[0,-1]])

Cerca del equilibrio inferior, la aproximación lineal sustituye seno por ángulo. Con amortiguamiento positivo pequeño, las perturbaciones oscilan mientras decaen. Cerca de la posición superior, la linealización tiene una dirección inestable. La estabilidad depende del punto y de las ecuaciones, no de que la trayectoria dibuje una forma reconocible. Un mismo sistema puede tener equilibrios con propiedades diferentes. Además, la aproximación local no describe automáticamente grandes desplazamientos o rotaciones completas. La región donde se utiliza forma parte de la interpretación.

Un error frecuente consiste en llamar «caótico» a cualquier movimiento irregular observado en un péndulo. El modelo autónomo bidimensional descrito no adquiere caos porque una medición sea ruidosa. El forzamiento periódico, otros grados de libertad o mecanismos adicionales cambian el problema y pueden permitir dinámicas distintas. Antes de transferir una conclusión debe comprobarse qué versión del péndulo se está utilizando. La palabra «péndulo» designa una familia de sistemas, no un conjunto único de propiedades que puedan invocarse sin ecuaciones.

Lorenz: inestabilidad local y comportamiento global

Lorenz (1963) estudió un sistema reducido relacionado con convección y analizó soluciones deterministas no periódicas y sensibilidad a pequeñas diferencias iniciales. Las variables representan amplitudes dentro de una idealización física, no coordenadas universales de cualquier sistema complejo. Se recupera la forma habitual con tres parámetros y se utilizan los valores diez, veintiocho y ocho tercios. El sistema ofrece un ejemplo para distinguir estabilidad de equilibrios, evolución numérica y afirmaciones globales sobre caos. Las operaciones siguientes se derivan directamente de las ecuaciones y se comprueban con código.

El origen es un equilibrio. Cuando el parámetro de control supera uno, aparecen dos equilibrios adicionales con coordenadas simétricas en las primeras variables. Para los parámetros elegidos, esas coordenadas tienen magnitud raíz de setenta y dos y la tercera coordenada vale veintisiete. Sustituirlas en el campo debe producir cero. Esta comprobación básica evita analizar la estabilidad de un punto que no corresponde al sistema especificado. También permite separar una propiedad algebraica de la forma visual de una trayectoria simulada.

sigma, rho, beta = 10.0, 28.0, 8/3
def lorenz(s):
    x,y,z = s
    return np.array([sigma*(y-x), x*(rho-z)-y, x*y-beta*z])

equilibrium = np.array([math.sqrt(beta*(rho-1)),
                        math.sqrt(beta*(rho-1)), rho-1])
assert np.allclose(lorenz(equilibrium), 0)
x,y,z = equilibrium
jacobian = np.array([[-sigma, sigma, 0],
                     [rho-z, -1, -x],
                     [y, x, -beta]])
eigenvalues = np.linalg.eigvals(jacobian)
assert np.max(eigenvalues.real) > 0
assert math.isclose(np.trace(jacobian), -sigma-1-beta)
print(equilibrium, eigenvalues, sep='\n')

La parte real positiva de un par de autovalores indica inestabilidad local de ese equilibrio. No demuestra por sí sola caos. Muchos sistemas con equilibrios inestables terminan en ciclos, divergen o siguen otras dinámicas. La divergencia del campo de Lorenz es negativa y constante, lo que indica contracción local de volúmenes en el espacio de estados, pero tampoco basta por sí sola para establecer todas las propiedades de un atractor. Cada resultado tiene un alcance matemático específico. Acumular términos como inestabilidad y disipación no reemplaza la demostración de una propiedad global.

La integración numérica debe comprobarse a una escala donde pueda evaluarse convergencia. Se comparan pasos de cinco milésimas y dos milésimas y media durante dos unidades de tiempo. La cercanía de las soluciones ayuda a verificar el cálculo local. A horizontes largos, la sensibilidad puede amplificar diferencias pequeñas, por lo que exigir coincidencia punto a punto indefinida no es un criterio adecuado de validación numérica. Se necesitan otras comprobaciones de estadísticas, invariantes o errores, según el objetivo. La divergencia entre dos trayectorias largas puede mezclar sensibilidad real del modelo y error de cálculo.

short_coarse = path(lorenz, [1,1,1], 2, 0.005)
short_fine = path(lorenz, [1,1,1], 2, 0.0025)
short_error = np.linalg.norm(short_coarse[-1]-short_fine[-1])
assert short_error < 1e-4
assert np.all(np.isfinite(short_fine))
print(short_error)

Una serie clínica irregular no autoriza a identificar un sistema de Lorenz. Para sostener una interpretación de caos determinista se necesitaría distinguirla de ruido, cambios de contexto, observación parcial y otros modelos temporales, con datos adecuados. El ejemplo físico enseña qué significa sensibilidad dentro de un sistema definido; no proporciona un diagnóstico de imprevisibilidad clínica. Tampoco implica que todo pronóstico probabilístico sea inútil. La incertidumbre sobre una trayectoria exacta y la capacidad de predecir distribuciones son preguntas diferentes que requieren evaluación propia.

Ising: microestados y una distribución de equilibrio

El modelo de Ising utiliza variables discretas que toman dos valores. Para una demostración finita se consideran cuatro espines en un anillo, con interacción favorable a alineación entre vecinos y sin campo externo. Se fija la intensidad de interacción en una unidad. La energía es menos la suma de productos vecinos, incluyendo el enlace que cierra el anillo. Existen dieciséis configuraciones posibles y pueden enumerarse exactamente. Esta resolución permite comprobar promedios sin depender de una simulación de Monte Carlo ni confundir dificultades de muestreo con propiedades del modelo.

Se utiliza la letra $b$ para la temperatura inversa adimensional y evitar confundirla con el parámetro de Lorenz. Cuando vale cero, todas las configuraciones tienen igual probabilidad. Cuando aumenta, reciben mayor peso las configuraciones de menor energía. El promedio de magnetización sigue siendo cero por simetría entre cada configuración y su inversión global. Sin embargo, el promedio del cuadrado de magnetización aumenta. Por eso, un promedio nulo no basta para afirmar ausencia de configuraciones alineadas. La elección del observable determina qué aspecto del orden se describe.

spins = np.array(list(itertools.product([-1,1], repeat=4)))
energies = -np.sum(spins*np.roll(spins, -1, axis=1), axis=1)
magnetization = spins.mean(axis=1)
assert len(spins) == 16
assert dict(zip(*np.unique(energies, return_counts=True))) == {-4:2, 0:12, 4:2}

def ising_summary(inverse_temperature):
    weights = np.exp(-inverse_temperature*energies)
    weights /= weights.sum()
    return np.array([weights@energies, weights@magnetization,
                     weights@(magnetization**2)])

assert np.allclose(ising_summary(0), [0,0,0.25])
assert abs(ising_summary(1)[1]) < 1e-12
assert ising_summary(1)[2] > 0.9
print(ising_summary(0), ising_summary(1))

El anillo finito no demuestra una transición de fase termodinámica. Su función de partición es una suma finita de términos positivos y sus promedios cambian suavemente con la temperatura finita. Estudiar una singularidad requiere un límite y condiciones que este ejemplo no contiene. El trabajo original de Ising (1925) se cita como antecedente del modelo, mientras que la enumeración aquí realizada es una construcción didáctica propia. No se atribuye al artículo original una demostración de transición bidimensional ni una interpretación clínica de espines.

Otra diferencia con los sistemas anteriores es que la distribución de equilibrio no especifica por sí sola una dinámica temporal única. Distintas reglas de actualización pueden compartir una distribución estacionaria y producir tiempos de relajación diferentes. Si la pregunta concierne a velocidad de cambio, deben definirse esas reglas. Dibujar una red de interacciones de Ising y observar correlaciones no determina cómo se propaga una intervención en el tiempo. La transferencia hacia redes clínicas exige explicar tanto qué representan los estados como qué proceso de actualización se supone y qué evidencia lo sostiene.

Agentes: la regla de actualización forma parte de la explicación

Un modelo de agentes especifica entidades con estados y reglas de acción. Esa flexibilidad permite representar heterogeneidad y organización, pero también aumenta la cantidad de decisiones que pueden alterar resultados. Considérense dos agentes, cada uno con un estado binario, que copian el estado del otro. Si ambos actualizan simultáneamente desde una configuración diferente, intercambian sus valores y la configuración oscila. Si se actualiza primero uno y después el otro utilizando el estado ya modificado, ambos coinciden y permanecen iguales. La regla verbal «copiar al vecino» no define por sí sola el comportamiento.

initial_agents = [0, 1]
def synchronous_copy(states):
    return [states[1], states[0]]

def sequential_copy(states):
    updated = states.copy()
    updated[0] = updated[1]
    updated[1] = updated[0]
    return updated

assert synchronous_copy(initial_agents) == [1,0]
assert synchronous_copy(synchronous_copy(initial_agents)) == initial_agents
assert sequential_copy(initial_agents) == [1,1]
assert sequential_copy([1,1]) == [1,1]
print(synchronous_copy(initial_agents), sequential_copy(initial_agents))

El resultado no demuestra que sincronía produzca oscilación en cualquier población ni que actualización secuencial genere consenso universal. Depende de dos agentes, una regla particular y condiciones iniciales definidas. Su utilidad es mostrar que el calendario de actualización constituye una premisa causal del simulador. Si un artículo omite ese calendario, otra implementación puede producir una dinámica distinta sin que exista un error de programación. La reproducibilidad requiere describir entidades, estados, secuencia y uso de información anterior o actualizada.

El protocolo ODD de Grimm y colaboradores (2020) ofrece una estructura para describir estos elementos, incluyendo propósito, escalas, procesos, inicialización y submodelos. Una descripción completa permite comprender y, en principio, reimplementar el modelo. No demuestra que represente adecuadamente un sistema empírico. Para esa evaluación se necesitan patrones y contrastes pertinentes, incluidos aquellos que el modelo no reproduce. En el ejemplo de agentes, toda la evidencia procede de una construcción formal. No se atribuye a personas una regla de copia ni se infiere una dinámica social a partir de dos estados artificiales.

La diferencia con Ising se vuelve clara al preguntar qué está fijado. En una representación de equilibrio se define una distribución sobre configuraciones. En el modelo de copia se define un proceso de actualización, pero no se ha establecido una distribución de equilibrio termodinámico. Una similitud visual entre agrupaciones no convierte ambas construcciones en el mismo modelo. Para compararlas habría que identificar observables, reglas y condiciones bajo las cuales generan resultados equivalentes. Las analogías pueden sugerir una pregunta, pero la equivalencia requiere demostración o evaluación específica.

Una escala agregada puede perder información dinámica

La magnetización del anillo resume cuatro espines en un número. Dos configuraciones con dos valores positivos y dos negativos tienen magnetización nula, aunque sus vecinos difieran. La configuración con pares contiguos tiene energía cero; la alternada tiene energía cuatro. Si se utiliza una regla de actualización dependiente de vecinos, ambas pueden producir distribuciones diferentes del siguiente valor agregado. Por tanto, conocer solo la magnetización actual no basta necesariamente para predecir su evolución. La agregación pierde información que la regla microscópica necesita.

Se comprueba con una actualización de un solo espín elegido uniformemente. La probabilidad de invertirlo se define mediante una regla logística basada en el cambio de energía, con temperatura inversa unidad. Para la configuración con pares contiguos, la suma de vecinos de cada espín es cero y la probabilidad de inversión es una mitad. En la alternada, invertir un espín reduce energía y resulta mucho más probable. Como cualquier inversión desde magnetización nula produce magnitud de una mitad, la esperanza del cuadrado de magnetización siguiente depende de esas probabilidades.

paired = np.array([-1,-1,1,1])
alternating = np.array([-1,1,-1,1])
def next_magnetization_square(states):
    neighbors = np.roll(states, 1)+np.roll(states, -1)
    delta_energy = 2*states*neighbors
    flip_probability = 1/(1+np.exp(delta_energy))
    current_m = states.mean()
    new_m = current_m-2*states/len(states)
    return float(np.mean(flip_probability*new_m**2 +
                         (1-flip_probability)*current_m**2))

assert paired.mean() == alternating.mean() == 0
assert math.isclose(next_magnetization_square(paired), 0.125)
assert next_magnetization_square(alternating) > 0.24
print(next_magnetization_square(paired),
      next_magnetization_square(alternating))

La comprobación muestra una pérdida de cierre dinámico bajo esa agregación: el mismo valor agregado admite futuros distintos según la configuración oculta. Puede ser necesario añadir variables, memoria o una aproximación probabilística condicionada a más información. Esto no significa que toda agregación sea inútil. Si la pregunta concierne a un promedio de equilibrio, la magnetización puede ser apropiada. Si concierne al próximo cambio, quizá no lo sea. La suficiencia de una variable agregada depende del propósito y de la regla del sistema, no de que parezca representar un «nivel superior».

La lección se transfiere a puntuaciones clínicas con cuidado. Dos personas pueden tener el mismo total y combinaciones distintas de respuestas. Si esas combinaciones afectan a la evolución o a la decisión, el total puede perder información relevante. Sin embargo, el ejemplo de espines no demuestra que cada ítem clínico tenga una interacción equivalente ni que un modelo más detallado mejore predicción. Esa afirmación requiere datos y comparación. La transferencia válida consiste en reconocer una pregunta sobre suficiencia de la agregación y diseñar una evaluación, no en asignar propiedades físicas a indicadores humanos.

Modelos clínicos: proceso latente y observación

Una representación clínica puede incluir un proceso continuo no observado directamente y una medición con error. Como ejemplo matemático se toma un proceso de Ornstein–Uhlenbeck que retorna hacia una media y recibe fluctuaciones aleatorias. Sus parámetros describen intensidad de retorno y variabilidad; no se identifican con mecanismos clínicos específicos. La observación añade ruido independiente. Esta separación permite mostrar que la persistencia estimada en una serie depende del proceso y de la medición. Una autocorrelación baja puede reflejar menor memoria del proceso, mayor error de observación o ambas cosas.

Para un intervalo fijo, la transición exacta del proceso latente tiene un coeficiente exponencial de persistencia y una varianza de innovación que depende del intervalo. Con intensidad de retorno de una mitad y difusión unidad, observar cada unidad temporal produce una persistencia aproximada de seis décimas; observar cada dos unidades produce una persistencia aproximada de treinta y siete centésimas. Son observaciones del mismo proceso. Comparar directamente ambos coeficientes como si representaran diferencias de mecanismo confundiría calendario y dinámica.

kappa, diffusion = 0.5, 1.0
def ou_transition(interval):
    phi = math.exp(-kappa*interval)
    variance = diffusion**2/(2*kappa)*(1-math.exp(-2*kappa*interval))
    return phi, variance

phi_one, variance_one = ou_transition(1)
phi_two, variance_two = ou_transition(2)
assert math.isclose(phi_two, phi_one**2)
assert math.isclose(variance_two, variance_one*(1+phi_one**2))
print(ou_transition(1), ou_transition(2))

La varianza estacionaria latente del ejemplo vale uno. Si el error de observación independiente tiene varianza de una mitad, la varianza observada aumenta a una unidad y media, mientras que la covarianza entre momentos distintos no recibe esa contribución. La correlación observada al primer retardo se reduce respecto de la latente. El cálculo muestra que un indicador temporal puede cambiar aunque el proceso subyacente permanezca igual. La interpretación de «inercia» o «persistencia» debe considerar cómo se midió, con qué frecuencia y con qué error.

latent_variance = diffusion**2/(2*kappa)
measurement_variance = 0.5
observed_lag_one_correlation = (
    latent_variance*phi_one/(latent_variance+measurement_variance))
assert math.isclose(observed_lag_one_correlation, math.exp(-0.5)/1.5)
assert observed_lag_one_correlation < phi_one
print(phi_one, observed_lag_one_correlation)

Esta representación es estocástica y lineal en su retorno. Puede generar trayectorias irregulares sin caos determinista y sin interacciones entre múltiples síntomas. Su utilidad como rival consiste en comprobar si una explicación más compleja añade algo necesario. Si una serie puede describirse adecuadamente con retorno, fluctuación y error de observación para una pregunta concreta, un atractor extraño no queda justificado por la apariencia irregular. Si el modelo simple falla en patrones relevantes, se investigan alternativas. La complejidad se introduce por una discrepancia o una hipótesis, no por el dominio clínico en sí mismo.

Unidades y horizontes: dos cálculos que evitan falsas equivalencias

La forma adimensional del péndulo oculta una elección de escala. Para una longitud y gravedad dadas, el tiempo natural es la raíz del cociente entre longitud y gravedad. Al medir tiempo en esa unidad, el coeficiente del seno se vuelve uno. Dos péndulos con longitudes distintas pueden compartir la ecuación adimensional y oscilar con periodos físicos diferentes. La equivalencia formal no implica igualdad de segundos. Recuperar las unidades permite trasladar un resultado al dispositivo y evita interpretar un parámetro normalizado como si fuera una constante física universal.

En la aproximación de ángulo pequeño y sin amortiguamiento, el periodo físico es dos veces pi por esa escala temporal. Para un péndulo de un metro y gravedad de nueve coma ochenta y un metros por segundo cuadrado, el periodo es aproximadamente dos segundos. Si la longitud se cuadruplica, el periodo se duplica. La relación se deriva de la linealización y no describe con exactitud amplitudes grandes. Una comprobación experimental debe considerar amplitud, fricción y precisión de medición antes de atribuir una discrepancia a un fenómeno no lineal adicional.

gravity = 9.81
length = 1.0
small_angle_period = 2*math.pi*math.sqrt(length/gravity)
longer_period = 2*math.pi*math.sqrt(4*length/gravity)
assert math.isclose(longer_period, 2*small_angle_period)
assert 2.0 < small_angle_period < 2.01
print(small_angle_period, longer_period)

La operación se transfiere a datos temporales como una pregunta sobre unidades y resolución. Una tasa por día no puede introducirse en una actualización semanal sin transformación. Una puntuación normalizada por desviación típica puede cambiar de escala cuando cambia la población, aunque las respuestas originales sean iguales. Comparar coeficientes exige reconstruir esas decisiones. El ejemplo del proceso de retorno continuo mostró una transformación exacta entre intervalos; en modelos más complejos puede requerirse integrar la dinámica o justificar una aproximación. La escala no es un detalle que se añade después de ajustar.

Otra cuenta relaciona sensibilidad y horizonte. Si una separación pequeña crece aproximadamente de forma exponencial con tasa positiva durante cierto intervalo, el tiempo para superar una tolerancia depende logarítmicamente de la precisión inicial. Se trata de una aproximación local de crecimiento, no de una afirmación válida para toda trayectoria ni de una estimación obtenida de Lorenz en este capítulo. Con una tasa hipotética de una unidad inversa de tiempo, error inicial de una millonésima y tolerancia de una décima, el horizonte calculado es algo más de once unidades temporales.

growth_rate = 1.0
initial_error = 1e-6
tolerance = 0.1
horizon = math.log(tolerance/initial_error)/growth_rate
improved_horizon = math.log(tolerance/(initial_error/100))/growth_rate
assert math.isclose(horizon, math.log(1e5))
assert math.isclose(improved_horizon-horizon, math.log(100))
print(horizon, improved_horizon, improved_horizon-horizon)

Reducir el error inicial cien veces añade aproximadamente cuatro coma seis unidades de horizonte bajo esa aproximación. La mejora no multiplica el horizonte por cien. Esta consecuencia ayuda a comprender un límite de precisión sin concluir que medir mejor carezca de valor. El cálculo depende de la tasa, de la tolerancia y de que el régimen de crecimiento sea pertinente. En una trayectoria clínica, ninguna de esas cantidades queda establecida por observar variabilidad. Utilizar la ecuación como metáfora de incertidumbre sin estimarlas confundiría una propiedad condicional con evidencia sobre el sistema.

Qué conserva una transferencia y qué debe reconstruirse

Transferir una herramienta requiere identificar una correspondencia entre objetos. Una función de energía del péndulo permite estudiar estabilidad porque su derivada tiene un signo conocido. En otro sistema puede buscarse una función de Lyapunov sin interpretarla como energía física. La propiedad matemática se conserva si se cumplen condiciones; el significado termodinámico no se transfiere automáticamente. Llamar «energía» a una función de malestar o de error exige explicar si se trata de una analogía, una construcción matemática o una cantidad física medible. La notación compartida no decide esa cuestión.

Lo mismo ocurre con temperatura en Ising. En el ejemplo físico controla el peso relativo de configuraciones de distinta energía. En una aplicación abstracta podría representar ruido de decisión, pero esa traducción requiere una definición y una regla que produzca la distribución propuesta. No basta observar que al aumentar un parámetro disminuye alineación. Muchos mecanismos generan ese patrón. La comparación debe mostrar qué resultados adicionales anticipa la interpretación y cómo se distinguiría de alternativas. Una analogía puede ser útil para construir hipótesis, siempre que no se presente como identidad de procesos.

La noción de agente también necesita reconstrucción. Un espín de dos estados no decide, interpreta ni cambia sus reglas por aprender, mientras que una persona puede hacerlo. Un modelo de agentes humanos puede omitir parte de esas capacidades si el propósito lo permite, pero debe justificar la omisión y evaluar sus consecuencias. La flexibilidad del formato no vuelve realistas las reglas por defecto. Una regla simple puede ser adecuada para un patrón agregado y fallar en una intervención que modifica precisamente cómo las personas interpretan el entorno.

En los modelos clínicos, el proceso de observación suele formar parte activa del sistema. Responder un cuestionario puede cambiar atención a ciertos estados; recibir una alerta puede modificar conducta y contacto con el servicio. El observador no siempre es una ventana pasiva hacia una dinámica independiente. Esto no invalida toda medición, pero exige preguntar si la intervención de medir altera la cantidad de interés. Los modelos físicos también pueden incluir efectos de medición, aunque la forma concreta difiere. La comparación entre dominios debe conservar la pregunta y reconstruir el mecanismo pertinente.

Un criterio práctico de transferencia consiste en describir una operación y un resultado que podrían resultar equivocados. Por ejemplo, agregar ítems puede perder información predictiva; cambiar el intervalo puede alterar coeficientes; una actualización simultánea puede producir oscilaciones que desaparecen con otra secuencia. Cada afirmación puede comprobarse en el modelo y luego evaluarse en el dominio. En cambio, afirmar que un sistema clínico «se comporta como la naturaleza» no ofrece un contraste. La recuperación de modelos canónicos resulta útil cuando produce preguntas más precisas y decisiones de análisis verificables.

Evidencia, simulación y transferencia

En el péndulo, una derivación mecánica conecta fuerzas y movimiento bajo condiciones idealizadas. En Lorenz, las ecuaciones proceden de una reducción de un problema físico. En Ising, una distribución representa interacciones y temperatura dentro de un marco estadístico. En agentes, las reglas pueden ser propuestas cuya adecuación depende del fenómeno. En clínica, los estados suelen inferirse a partir de mediciones parciales y decisiones de representación. Estas diferencias cambian qué significa validar. Una prueba de conservación puede ser decisiva para verificar un integrador y carecer de equivalente directo para una escala de funcionamiento.

La tabla siguiente conserva criterios comunes sin igualar significados. Su función es organizar comparaciones, no sustituir el desarrollo de cada modelo. La columna de evidencia indica qué tendría que revisarse antes de trasladar una conclusión a un sistema real. En todos los casos puede haber matemática correcta y representación insuficiente para el propósito. La distinción permite utilizar modelos canónicos como herramientas de razonamiento sin convertirlos en moldes obligatorios para cualquier problema.

Una semejanza formal puede ser útil para derivar una consecuencia condicional. Si dos representaciones comparten una ecuación local, comparten ciertas propiedades matemáticas bajo iguales parámetros. Pero sus intervenciones pueden ser distintas: modificar amortiguamiento en un dispositivo no equivale a modificar una interacción estimada entre indicadores. La traducción requiere identificar una acción real que corresponda a la operación del modelo. Sin ese puente, una propuesta de «control» permanece en el plano formal. La diferencia importa especialmente cuando una simulación se utiliza para justificar una decisión con consecuencias humanas.

Resolver errores frecuentes mediante una comparación

El primer error consiste en inferir mecanismo a partir de forma. Una curva oscilante puede surgir de un péndulo, de una regla de actualización de agentes o de una entrada periódica sobre un sistema sin oscilación propia. La forma orienta candidatos, pero no los identifica. La resolución compara qué pasa al modificar una entrada, qué variables faltan y qué escala temporal utiliza cada modelo. El segundo error consiste en atribuir una propiedad global a un resultado local, como inferir caos de un autovalor positivo. La corrección exige nombrar exactamente la propiedad demostrada.

Un tercer error confunde promedios y configuraciones. La magnetización nula del anillo no implica ausencia de alineación en cada estado, y una puntuación clínica media no describe todas las trayectorias. La resolución examina distribución, heterogeneidad y suficiencia de la agregación para la pregunta. Un cuarto error atribuye todo desacuerdo entre simulaciones al azar. El ejemplo de agentes muestra que cambiar el calendario altera el generador, aunque no exista aleatoriedad. Revisar reglas y actualizaciones debe preceder a comparar resultados como si fueran réplicas del mismo modelo.

La recuperación acumulativa permite elegir con mayor precisión. Para verificar un integrador del péndulo se usa energía; para estudiar Lorenz se separan equilibrio, sensibilidad y dinámica global; para Ising se distingue distribución de actualización; para agentes se hace explícita la secuencia; para datos clínicos se incorpora observación y alcance causal. Las herramientas se transfieren cuando conservan sus condiciones. Cuando esas condiciones no existen o no pueden evaluarse, la decisión científica puede consistir en utilizar una representación más simple o en limitar la afirmación, sin perder la pregunta que motivó el análisis.

Una decisión resuelta ilustra esta selección. Si el problema consiste en anticipar demanda semanal de un servicio con pocos registros, comenzar con una reproducción de Lorenz exigiría estados y parámetros sin correspondencia observacional establecida. Una referencia estadística sencilla puede evaluar primero cuánto aporta la historia reciente. Si los errores se concentran cuando cambia capacidad, se incorpora esa entrada y se compara el pronóstico. Solo si una interacción o no linealidad modifica de manera comprobable la respuesta tiene sentido ampliar el modelo. La secuencia conserva la pregunta y exige a cada detalle una contribución.

Si, en cambio, el propósito es enseñar por qué reglas locales producen resultados agregados diferentes, el ejemplo de agentes puede ser suficiente sin calibración clínica. Su alcance didáctico es explícito y su comprobación consiste en ejecutar las reglas y explicar la diferencia. No necesita fingir realismo para resultar útil. Esta separación entre enseñar una posibilidad, describir datos y evaluar una intervención permite aprovechar todo el repertorio del curso con estándares adecuados a cada uso. Elegir un modelo incluye elegir qué tipo de evidencia se le exigirá y qué conclusión se evitará extraer de él.

Referencias

Grimm, V., et al. (2020). The ODD Protocol for Describing Agent-Based and Other Simulation Models: A Second Update to Improve Clarity, Replication, and Structural Realism. Journal of Artificial Societies and Social Simulation, 23(2), 7. https://doi.org/10.18564/jasss.4259

Ising, E. (1925). Beitrag zur Theorie des Ferromagnetismus. Zeitschrift für Physik, 31, 253–258. https://doi.org/10.1007/BF02980577

Lorenz, E. N. (1963). Deterministic Nonperiodic Flow. Journal of the Atmospheric Sciences, 20(2), 130–141. DOI: 10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2