MODELO CUANTITATIVO:
Se le llama método cuantitativo o investigación cuantitativa a la que se vale de los números para examinar datos o información. Es uno de los métodos utilizados por la ciencia. La matemática, la informática y las estadísticas son las principales herramientas.
El proceso de toma de medidas es central en la investigación cuantitativa ya que aporta la conexión fundamental entre la observación empírica, y la expresión matemática, es decir, mostrar en números y gráficos lo que hemos observado.
Los datos cuantitativos son aquellos que son mostrados de forma numérica, como por ejemplo estadísticas, porcentajes, etc. Esto implica que la investigación cuantitativa realiza preguntas específicas y de las respuestas de los participantes (encuestas), obtiene muestras numérica.
Los investigadores analizan esta información con la ayuda de la estadística, de la informática y de la matemática. El investigador busca obtener un resultado que luego pueda generalizarse a una población mayor que a la muestra acotada que ha utilizado en sus observaciones.
MODELO CUALITATIVO
El método cualitativo investiga los ¿por qué? y los ¿cómo?, no sólo los ¿qué? ¿dónde? y ¿cuándo?. Por esto mismo, en el método cualitativo se utilizan muestras pequeñas, más enfocadas a un tema en particular.
El método cualitativo produce información sólo en los casos particulares que estudia, por lo que es difícil generalizar, sólo se puede hacer mediante hipótesis. Es mediante el método cuantitativo que esas hipótesis pueden ser verificadas valiéndose del método empírico.
La metodología cualitativa se basa en principios teóricos como la fenomenología, la hermenéutica, la interacción social utilizando métodos de recolección de la información que difieren del método cuantitativo al no poder ser plasmados en números. La idea es explorar las relaciones sociales y describir la realidad tal como la experimentan los protagonistas.
Una de las principales diferencias entre la investigación cualitativa y la investigación cuantitativa, es que la primera busca explicar las razones de los diferentes aspectos del comportamiento humano, la cuantitativa busca probar mediante datos numéricos que esas hipótesis pueden llegar a ser ciertas.
MODELO PROPABILISTICO
Modelo probabilístico o estadístico es la forma que pueden tomar un conjunto de datos obtenidos de muestreos de datos con comportamiento que se supone aleatorio.
Un modelo estadístico es un tipo de modelo matemático que usa la probabilidad, y que incluye un conjunto de asunciones sobre la generación de algunos datos muestrales, de tal manera que asemejen a los datos de una población mayor.
Las asunciones o hipótesis de un modelo estadístico describen un conjunto de distribuciones de probabilidad, que son capaces de aproximar de manera adecuada un conjunto de datos. Las distribuciones de probabilidad inherentes de los modelos estadísticos son lo que distinguen a los modelos de otros modelos matemáticos deterministas.
Un modelo estadístico queda especificada por un conjunto de ecuaciones que relacionan diversas variables aleatroias, y en las que pueden aparecer otras variables no aleatrias. Como tal "un modelo es una representación formal de una teoría"1
Todos los tests de hipótesis estadísticas y todos los estimadores estadísticos proceden de modelos estadísticos. De hecho, los modelos estadísticos son una parte fundamentalmente de la inferencia estadística.
MODELO DETERMINISTICO
Un modelo determinista es un modelo matemático donde las mismas entradas o condiciones iniciales producirán invariablemente las mismas salidas o resultados, no contemplándose la existencia de azar, o incertidumbre en el proceso modelada mediante dicho modelo.
Está estrechamente relacionado con la creación de entornos simulados a través de simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión que permitan disminuir la propagación de errores. Los modelos deterministas sólo pueden ser adecuados para sistemas deterministas no caóticos, para sistemas azarosos (no-determinista) y caóticos (determinista inpredictible a largo plazo) los modelos deterministas no pueden predecir adecuadamente la mayor parte de sus características.
La inclusión de mayor complejidad en las relaciones con una cantidad mayor de variables y elementos ajenos al modelo determinista hará posible que éste se aproxime a un modelo probabilístico o de enfoque estocástico.
MODELO DESCRIPTIVO
Como se menciono anteriormente un modelo de diseño es la forma de representación del proceso que desarrolla el diseñador en su labor. Cross en 1999 clasifica los modelos de diseño en dos grupos: descriptivos y prescriptivos mientras que Takeda en 1999 citando a Finger y Dixon adiciona dos grupos más: cognitivos y computacionales. La tabla 1.1 muestra una breve descripción de los modelos antes mencionados.
Aparte de este modelo existen otros más elaborados como el de French (1999) mostrado en la Figura 1.2 pero en esencia siguen las tres fases descritas anteriormente.
En términos generales, el modelo descriptivo permite una comprensión del equipo y de sus resultados desde una perspectiva global e intrínseca. El modelo descriptivo más importante fue desarrollado en 1964 por McGrath, y utilizó un marco recursos-procesos-resultados para explorar las implicaciones de la investigación descriptiva en la eficacia de los grupos de trabajo.
MODELO OPTIMIZADOR
El modelo matemático optimizador es una clase de modelo matemático que fue creado para poder realizar la elección de una alternativa entre muchas otras, siempre y cuando se encuentren cumpliendo determinados criterios, entonces es allí que se observa la más conveniente y se elige la más óptima.
Entonces es importante tener en claro que los modelos (sea cual sea su clase), debe ser tomado en cuenta sin hacer distinciones por el refinamiento y la exactitud de estos, los modelos matemáticos de este tipo son capaces de poder ser casi nada prácticos, en el caso de que los datos utilizados como respaldo no sean confiables; ya que si estos datos se distorsionan por algún motivo tanto las estimaciones, como la solución obtenida, a pesar de ser óptima en lo que se refiere a la parte matemática, tendrá en verdad una calidad inferior desde el punto de vista del sistema real. Todo esto traería como consecuencia, la disponibilidad de datos puede causar un efecto directo en la efectividad del modelo.
