Fases del estudio de IO

Introducción

Procesos de solución de los modelos matemáticos

Fases de un estudio de IO

Referencias
LECCIÓN 1 de 4

Introducción

En el estudio de la investigación de operaciones (IO), los modelos

matemáticos presentan una serie de secuencia o pasos, conocida como
fases, para la resolución de problemas, mediante diversas técnicas de la IO. 

Esta lectura tiene como objetivo conocer estas fases en el estudio de IO. A tal
fin, retomamos la situación problemática presentada en la lectura anterior:

Problema: La empresa Silban S.A. fabrica y vende dos tipos de productos:

sillas y bancos, para lo que dispone de una máquina cortadora de madera
que trabaja 8 horas diarias y con un total de 9 kg de madera como materia
prima por día para fabricarlos. 

Se desea determinar el número de productos diarios a fabricar de cada tipo

(sillas y bancos) para obtener el máximo beneficio y saber  que la utilidad por
cada silla es de $2000 y por cada banco de $3000. Además, se conocen los
datos de la siguiente tabla que representan las horas de trabajo de la
máquina cortadora empleada para cada producto y la materia prima
 necesaria para cada uno.
Tabla 1: Datos de los recursos que se necesitan para la producción 

Recursos Silla Banco

Horas máquina
1 2
cortadora

Materia prima
3 1
(madera)

Fuente: adaptado de Davis y McKeown, 1995.

La empresa te solicita que determines:

a) La cantidad de productos tanto de silla como de banco a fabricar para así

maximizar la ganancia.

b) ¿A cuánto asciende la ganancia máxima de la fábrica?

Recordemos que no buscamos resolver el problema, sino aprender a vincular

la situación planteada a las fases del estudio de la IO.

C O NT I NU A R
LECCIÓN 2 de 4

Procesos de solución de los modelos matemáticos

No resulta fácil encontrar el modelo que más se adapte a una determinada

situación. En primer lugar, se exploran métodos sencillos que pueden llevar a
una solución de ‘sentido común’ para el problema planteado. Por ejemplo,
para nuestra situación problemática,  para determinar el modelo que mejor
se adapte, observamos que hay una relación entre la cantidad de sillas y
bancos a producir para que arroje el máximo beneficio para la empresa. Por
lo tanto, si varía la cantidad de sillas, esto impactará en el beneficio de Silban
S.A. Lo mismo pasa si cambia la cantidad de bancos. Los recursos que se
pueden observar en la tabla del problema son limitados y esto hace pensar, a
prima facie, que hay una relación entre la fabricación de sillas y bancos que
modifica las utilidades, lo que hace suponer que existen variables
dependientes (como optimizar beneficios de la empresa) y variables
independientes (como la cantidad de sillas y bancos a fabricar).

Además, es importante tener en cuenta el comportamiento humano para

que la solución no falle.

Como indica Taha (2012): “El tipo y complejidad del modelo matemático
determina la naturaleza del método de solución” (p. 5).
De lo expresado se deduce la importancia de una correcta definición del
problema.

Técnicas para resolver un problema de IO

Existen diferentes técnicas para la resolución de problemas de IO conocidas

como programación. A continuación mencionaremos algunas de ellas:

1 Programación lineal: función objetivo y restricciones lineales.

2 Programación entera: las variables representan números enteros.

3 Programación dinámica: el modelo original se puede descomponer

en submodelos.

4 Programación de red: el problema se modela mediante una red.

5 Programación no lineal: la relación entre las variables del problema

es no lineales.

De estas técnicas mencionadas abordaremos solo la programación lineal, ya

que, como se pudo observar en la lectura anterior, el problema responde a un
modelo lineal. ¿Por qué? Porque al seguir  la línea de pensamiento abordado
en el punto ‘Procesos de solución de los modelos matemáticos’, arribamos a
la existencia de una relación entre la producción de sillas y bancos que
modifica las utilidades de la empresa, lo que es equivalente a expresar que
hay una variable dependiente denominada función objetivo (optimizar los
beneficios de Silban S.A.) y variables independientes -o variables de decisión-
(cantidad de sillas y bancos a fabricar)que son condicionadas por
limitaciones (restricciones) de recursos de horas máquina y cantidad de
materia prima. Por otro lado, tanto la función objetivo como  las restricciones
son funciones lineales que dependen de las variables “silla y bancos”.
Finalmente, por lo expresado, un problema de programación lineal debe
tener una función objetivo, restricciones lineales y condiciones esenciales
que se describieron.

Esta técnica es exitosa, pero ¡CUIDADO!, no debe aplicarse a cualquier

situación. La tendencia a utilizarla puede conducirnos a un modelo
matemático del todo alejado de la situación real. Por lo tanto, es imperativo
que se analicen primero otras técnicas.

Por este motivo hay que tener en cuenta lo que expresó Taha (2012): “La
técnica de IO más importante es la programación lineal. Está diseñada para
modelos con funciones objetivo y restricciones lineales” (p. 5).

Otros métodos que producen solución en IO son:

a) Algoritmos
–
 “Un algoritmo es un conjunto de procedimientos, que cuando se
siguen en forma ordenada, proporcionan una solución óptima a un
problema” (Davis-McKeown, 1995, p. 12). 

En otras palabras, no se obtienen mediante fórmulas cerradas.

Un algoritmo proporciona reglas fijas de cálculo que se aplican en forma

repetitiva al problema y cada repetición (llamada iteración) acerca la solución a lo
óptimo. Como los cálculos asociados con cada iteración suelen ser tediosos y
voluminosos es recomendable que estos algoritmos se ejecuten con la
computadora. (Taha, 2012, p. 5).

b) Simulación
–
Emula o ‘simula’ la conducta del problema para un conjunto definido de
condiciones de entrada. Se utiliza cuando el problema no puede resolverse en
forma analítica (matemática). Se analiza la conducta del modelo para determinar
el mejor curso de acción.

c) Heurística
–
Son procedimientos de búsqueda que intentan pasar de un punto de solución a
otro para mejorar el objetivo del modelo con cada movimiento sucesivo. Estos
métodos dan una solución aproximada aceptable. Puede también obtenerse una
o más soluciones aproximadas. Se utilizan cuando el planteamiento matemático
de un problema es complejo y una solución analítica no es viable o cuando la
simulación no es práctica debido al tiempo excesivo de procesamiento.

Algunos modelos matemáticos pueden ser tan complejos que es imposible

resolverlos con cualquiera de los algoritmos de optimización disponibles. En
esos casos, quizás, sea necesario abandonar la búsqueda de la solución óptima y
simplemente buscar una buena solución aplicando la heurística y la
metaheurística o bien, reglas empíricas. (Taha, 2012, p. 5).

Después de abordar las técnicas de solución para los modelos matemáticos,

estamos en condición de afrontar las fases de un estudio de IO

Los algoritmos son procedimientos de búsqueda que permiten obtener una o

más soluciones aproximadas aceptables.

Falso, son procedimientos que, ejecutados en forma

ordenada, arriban a una solución óptima.

Verdadero, son procedimientos que ejecutados en

forma ordenada permiten obtener más de una solución
óptima.

SUBMIT

C O NT I NU A R
LECCIÓN 3 de 4

Fases de un estudio de IO

Taha (2012, p. 10) establece que las fases de  un estudio de OI son:

1 Definición del problema: Investigación realizada por todo el equipo

de IO. Se identifican tres elementos: 

1) Descripción de las alternativas. 

2) Determinación del objeto del estudio. 

3) Especificación de las limitaciones mediante las cuales funciona

el sistema modelado.

2 Construcción del modelo: Transformar la definición del problema en

relaciones matemáticas de acuerdo con el grado de complejidad de
las variables intervinientes.

3 Solución del problema: Usar de algoritmos de optimización bien

definidos. Aplicar el análisis de sensibilidad.

4 Validación del modelo: Comparar los resultados con los datos

históricos. El modelo es válido si, en condiciones de datos de
 entrada iguales, reproduce de forma razonable el desempeño
pasado. Si el modelo propuesto representa un sistema nuevo
(inexistente), utilizar modelos de simulación.

5 Implementación de la solución: Una vez validado el modelo,

transformar los resultados en instrucciones de operación
comprensibles. La responsabilidad de esta tarea recae
principalmente en el equipo de IO.

¿En qué fase del estudio de IO se expresa el problema en relaciones

matemáticas?

Construcción del modelo porque se toma la definición

del problema y se lo transforma en expresiones con
relaciones matemáticas.

Validación del modelo porque se acepta el modelo por

medio de relaciones matemáticas.

Definición del problema porque se expresa a través de

relaciones matemáticas.

Solución del problema porque los resultados obtenidos

provienen de relaciones matemáticas.
 Implementación de la solución porque para llevarlo a la
práctica se lo construyó  con relaciones matemáticas.

SUBMIT

Ahora sí podemos vincular nuestro ejemplo con cada una de las fases del
estudio de la IO:

Definición del problema

–
Los tres elementos son:

1. Descripción de las alternativas: cantidad de sillas y bancos a fabricar.

2. Determinación del objeto del estudio: maximizar los beneficios de la empresa

Silban S.A. por medio de la fabricación de sillas y bancos.

3. Especificaciónde las limitaciones mediante las cuales funciona el sistema

modelado: los recursos necesarios para la producción de sillas y bancos que
se encuentran limitados por la cantidad de horas máquina de la cortadora de
madera y la cantidad de materia prima (madera).

Construcción del modelo

–
La transformación del problema en un modelo matemático implica:

1. Definir las variables de decisión: cantidad de sillas y bancos a producir.

2. Definir
la función objetivo: cantidad de sillas y bancos a producir que
maximicen las ganancias de la fábrica.

3. Establecer
las restricciones: las horas de trabajo de la máquina cortadora de
madera y la cantidad de materia prima (madera)   necesaria para producir
cada producto.

Solución del problema

–
La definición del algoritmo de solución que optimice el objetivo de maximizar las
utilidades. 

En este tópico se utilizarán el método gráfico y el método simplex. Métodos que

se estudiarán en próximas lecturas. De estos métodos se obtendrá la cantidad de
sillas y bancos a producir que maximizará los beneficios de Silban S.A.

Validación del modelo

–
La comparación de si los datos obtenidos como solución del problema son
consistentes con el problema. Aquí se corrobora si la cantidad de sillas y bancos
a producir que arrojan los métodos condice con el objetivo de maximización y las
restricciones en horas máquinas y de materia prima requerida para su
fabricación.
Implementación de la solución
–
Una vez validado el modelo se exponen los resultados obtenidos. En este caso se
exhiben la cantidad de sillas y bancos a producir y la ganancia óptima conseguida
por la mezcla de producto fabricado (sillas y bancos).

C O NT I NU A R
LECCIÓN 4 de 4

Referencias

Davis, K., y McKeown, P. (1995). Introducción a los Modelos y a la Ciencia de

la Administración. En Autores, Modelos Cuantitativos para Administración
(pp. 2-22). México: Grupo Editorial Iberoamérica. 

Real Academia Española. (2019). Algoritmo. En Diccionario de la lengua

española (22.a ed.). Recuperado de https://dle.rae.es/?w=algoritmo

Taha, H. A. (2012). ¿Qué es la investigación de operaciones? En Autor,

Investigación de operaciones (pp. 1-11). México: Pearson Educación.