Concepto de Modelado.

Generalidades

Introducción

Origen y evolución de la IO

Referencias
LECCIÓN 1 de 3

Introducción

La llegada de la Revolución Industrial produjo en las organizaciones una

mayor utilización de maquinaria, un mayor grado de especificación de las
tareas que se realizaban en cada área, la determinación de nuevas
relaciones entre empresarios y empleados y la separación de clientes y
productores, entre otros cambios.

El mundo contemplaba un crecimiento en complejidad y dimensiones al que

debían adaptarse las organizaciones.

Bajo estas nuevas condiciones, los medios acostumbrados para determinar y

llegar a los objetivos no eran enteramente satisfactorios.

Podríamos afirmar que se vislumbraba el nacimiento de una nueva disciplina

que llegaría y se instalaría con un impacto arrollador sobre la administración.
La vital influencia que ejercería en la toma de decisiones estaba a un paso.
Nos referimos, específicamente, a la ciencia de la administración (CA) cuyo
objetivo es proporcionar procesos y procedimientos que ayuden a resolver
problemas.
Cabe a esta altura preguntarse: ¿cómo se vincula la ciencia de la
administración (CA) y la investigación de operaciones (IO)? ¿Qué métodos
proporciona la CA/IO para resolver problemas?

Para dar respuestas a estas preguntas, nos basaremos en una situación

problemática. 

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 de 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, teniendo en cuenta  que
la utilidad por cada silla es de $2000 y por cada banco es de $3000. Además,
se conocen los datos de la siguiente tabla que representan las horas de
trabajo de la máquina cortadora empleadas para cada producto y la materia
prima (madera) necesaria para cada uno.

Tabla 1: Datos de los recursos que se necesitan para la producción

Recurso Silla Banco

Horas máquina
1 2
cortadora
 Recurso Silla Banco

Materia prima
3 1
(madera)

Fuente: adaptado de Davis y McKeown, 1995.

La empresa te solicita que determines:

1. La cantidad de sillas y de bancos a fabricar para maximizar la ganancia.

2. ¿A cuánto asciende la ganancia máxima de la fábrica?

Nuestro objetivo, en esta lectura, no es resolver el problema, sino que

plantearlo a través de la comprensión de los modelos matemáticos, pero antes
debemos abordar la evolución de la CA/IO.

C O NT I NU A R
LECCIÓN 2 de 3

Origen y evolución de la IO

La empresa Silban S.A. desea maximizar sus beneficios económicos en

forma óptima por medio de la fabricación y comercialización de sillas y
bancos. Por otra parte, sabe que tiene limitaciones de recursos, tales como
horas máquina de la cortadora de madera y cantidad de materia prima
(madera). Finalmente, los administradores de la organización recordaron que
durante la segunda guerra sucedía algo parecido, ya que se fabricaban
barcos, aviones, armas, entre otros, y que debían producirse rápidamente y
con limitaciones de recursos. A tal fin, decidieron indagar cómo fue el origen
de la IO y cómo puede ayudarlo en su empresa.

Durante la Segunda Guerra Mundial hubo principalmente dos factores que se

conjugaron para dar comienzo a una incipiente disciplina llamada
“Investigación de Operaciones (IO)”: la necesidad de coordinar recursos en
función de la problemática que significaba la defensa de un país y la
limitación de esos recursos.

Fue en Gran Bretaña donde comenzó IO, al formarse un equipo

interdisciplinario con el objeto de estudiar los problemas tácticos y
estratégicos relativos, como dijimos, para la defensa del país. Pero debido a
que ese grupo era parte del personal operativo de la milicia británica y
teniendo en cuenta que analizaba operaciones de índole militar, se lo
denominó “grupo de investigación de operaciones”. Así nace la sigla IO.

Entre los beneficios obtenidos se pueden mencionar los siguientes: el uso del
nuevo radar para el éxito de cualquier combate aéreo, la detección de barcos
y submarinos fue otro de los frentes en los que la investigación de
operaciones aportó resultados decisivos positivos   a los problemas que se
iban planteando a medida que la guerra avanzaba. Para nuestra situación
problemática, lo expresado es equivalente a que existe un mercado
competitivo para Silban S.A. y, en base a sus estudios de mercado, sus
beneficios los encontraron en la fabricación de sillas y bancos de calidad para
poder competir y que a su vez le permita obtener beneficios económicos a
pesar de las restricciones de recursos con las que cuenta hoy en día (horas
máquinas de cortado y cantidad de madera para la fabricación).

Retomando la evolución de la IO, concluida la guerra, la beneficiosa

experiencia que se obtuvo en las acciones bélicas despertó un enorme
interés en trasladar la IO a ámbitos distintos al terreno militar.

En virtud de que la explosión industrial continuaba, era lógico que a ese

ámbito se volcaran las primeras experiencias de la IO. Le siguieron el área de
negocios y el área de gobierno.

Antes de comenzar los años 50, los Estados Unidos también   estaba
haciendo sus aportes a la nueva ciencia a través de importantes métodos
desarrollados por científicos, pero en la siguiente década es cuando la
investigación de operaciones se eleva al rango académico por medio de las
carreras universitarias que brindaron capacitación en la nueva ciencia
aplicable a sectores como mercadotecnia, contabilidad, ingeniería industrial y
finanzas, entre muchas otras.

Este proceso coincide con la aparición de las primeras computadoras y se

potenció tres décadas más tarde con la irrupción en el mercado de las
computadoras personales que poseían gran capacidad de cálculo y alta
velocidad en el proceso de datos.

Sin duda, el impacto de la investigación de operaciones continuará

aumentado. Por ejemplo, al inicio de la década de los 90, la Oficina de
Estadísticas Laborales de los Estados Unidos  de América predijo que la IO
sería el área profesional clasificada como la tercera de más rápido
crecimiento para los estudiantes universitarios en los Estados Unidos
graduados entre los años 1990 y 2005. Pronosticó también que, para el año
2005, habría 100000 personas trabajando como analistas de investigación de
operaciones (Hillier y Lieberman, 1998, p. 4).

En nuestra materia llamaremos indistintamente CA/IO a esta ciencia, sin

hacer diferenciaciones.

Ya conocimos el origen de la IO, pero para plantear el problema propuesto

debemos abordar otros conceptos como es el modelado.

Modelado
Quien deba tomar decisiones en una organización necesita una base
científica para hacerlo, pero sin olvidar las variables no mensurables que
afectan a la organización. Es por eso que la parte medular de la resolución de
un problema está en saber interpretar las situaciones y variables que lo
conforman. La construcción de modelos es una parte fundamental de la IO.

Pero, ¿qué es un modelo?

En esta parte de la lectura nos centraremos en el concepto de modelado y en

la importancia de la construcción de modelos en la IO. Lo haremos citando
textualmente a algunos autores que intentaron definir el concepto de
modelo.

Una de las definiciones más simples de modelo es la propuesta por Colin Lee
(1973, p. 7): “Un modelo es una representación de la realidad”. Box y Draper
(citado en García Sabater-Maheut, 2015, https://goo.gl/oGmE9a) advierten
de una característica de los modelos: “Básicamente, todos los modelos son
erróneos, aunque algunos son útiles” 

La realidad es multiforme y difícil de capturar, pero para poder

tomar decisiones de manera racional es necesario conocer las
posibilidades que se nos abren y el efecto de las mismas. Esos
“cálculos” los hacemos a través de modelos que pueden ser más
 o menos simples. El arte de crear modelos requiere mucha
experiencia, pero también requiere técnica y un poco de filosofía
al reconocer que los modelos siempre son representaciones de
la realidad, que asumimos que existe, y es percibida de modo
diferente por diferentes actores en función de sus necesidades
(García Sabater-Maheut, 2015, https://goo.gl/oGmE9a).

¿Por qué es importante la construcción de modelos?

Cada problema que se nos presenta es diferente a otro, no solo por las
variables que intervienen, sino, principalmente, por los detalles en la
construcción de cada componente del problema. 

Esta diferenciación es importante, pues se podría ver reflejada también en la

solución del modelo resultante, es decir que, si logramos alcanzar con éxito
los objetivos del modelado, tendremos soluciones más acertadas en los
problemas planteados. Por ejemplo, para nuestro problema, las variables
estarían dadas por la cantidad de sillas y de bancos a producir para obtener
el mayor beneficio en Silban S.A.

Clasificación de los modelos

Existen numerosas clasificaciones de modelos, tantas como abstracciones

se hagan de la compleja realidad en la que estamos insertos.
Cada texto consultado parte de distintos criterios –el tema es muy amplio–,
pero hemos optado por abarcar el tema con el criterio de orientarnos hacia
los modelos que más se trabajan en la IO.

Una primera aproximación a la clasificación de los modelos sería la siguiente:

Modelo mental
–
Es la representación de un determinado sistema o proceso. Lo observamos
permanentemente y sin darnos cuenta al tratar de solucionar problemas básicos.
Imaginemos al dueño de la empresa observando donde instalar la línea de
producción, teniendo en cuenta la ubicación de las materias prima
(principalmente madera), localización de máquinas cortadoras, sector de
ensamblaje de sillas y bancos, entre otros. El dueño de Silban S.A. deberá
aprovechar al máximo las dimensiones físicas del lugar para que el recorrido de
los materiales desde su ingreso, fabricación  y egreso sean los más adecuados.
En este caso, el modelo ha sido mental.

Modelo a escala
–
Evidentemente somos conscientes de las limitaciones del modelo mental. Si el
lugar de fabricación de la empresa Silban S.A. tiene dimensiones muy grandes se
puede hacer un plano a escala de los espacios destinados, por ejemplo,
almacenaje de materias primas y productos elaborados (sillas y bancos), área
destinada a producción de sillas y bancos, entre otros, con el fin de reducir
manipulaciones innecesarias de materiales y de minimizar los tiempo de
producción. Por lo expuesto, la empresa deberá recurrir al modelo a escala con el
que podremos combinar infinidad de disposiciones hasta dar con la más
adecuada.

Modelo matemático
–
Los modelos mencionados anteriormente han sido utilizados durante muchos
años, pero actualmente son los modelos matemáticos los utilizados por la
mayoría de los investigadores en CA/IO para analizar problemas. 
Según Davis y McKeown (1995): “Estos modelos se elaboran usando símbolos
matemáticos para representar los diferentes componentes del problema” (p. 6).

Como metodología para representar y estudiar problemas de la realidad, la

investigación operativa utiliza:

Los modelos, porque representan la realidad en forma

abstracta.

La observación, porque permite estudiar los problemas

a partir de eventos observados personalmente.

La experiencia, porque permite intuir soluciones a los

problemas presentados.
 La estadística, porque a partir de datos previos se
puede inferir cómo estudiar los problemas.

SUBMIT

Dada su importancia, desarrollaremos a continuación los modelos

matemáticos, su clasificación y sus procesos de solución.

Los modelos matemáticos tienen una primera clasificación

M O D E LO S D E S C RI PT I V O S M O D E LO S N O RM AT I V O S

Representan una relación pero no un curso de acción. Por ejemplo: un modelo

que pronostica la comisión por ventas o un modelo estadístico como el de
regresión que relaciona una variable independiente con una dependiente. Los
modelos de líneas de espera también pueden considerarse como ejemplos de
modelos descriptivos. En estos modelos no se puede identificar si la acción o
decisión a tomar por el administrador será la ‘mejor’.

M O D E LO S D E S C RI PT I V O S M O D E LO S N O RM AT I V O S
Se llaman también modelos de optimización. Son prescriptivos, pues marcan un
curso de acción que debe tomar el administrador para alcanzar el objetivo
propuesto. La situación planteada responde a modelos normativos, ya que busca
maximizar los beneficios de Silban S.A. por medio de la óptima fabricación   de
sillas y bancos.

Estos modelos pueden contener sub-modelos descriptivos. La diferencia

sustancial con los modelos descriptivos es que, en los normativos, puede llegarse
a la solución ‘óptima’, lo que significa tomar el ‘mejor’ curso de acción.

Las características de los modelos descriptivos y normativos se exhiben en

el siguiente cuadro resumen.

Figura 1: Los modelos matemáticos: clasificación, principales

características y elementos
 Fuente: adaptado  en base a Davis y McKeown, 1995.

Subclasificación de los modelos matemáticos

Además de los modelos descriptivos y normativos, existen otras

clasificaciones de los modelos matemáticos.

“Pero, en realidad, son subclasificaciones de los modelos descriptivos y

normativos” (Davis y McKeown, 1995, p. 10).
En el siguiente cuadro se definen algunos de los más utilizados en IO:

Figura 2: Subclasificación de los modelos matemáticos según criterios

Fuente: Adaptado en base a Davis y McKeown, 1995.

A continuación, se explican las características principales de cada una de las

subclasificaciones indicadas en la Tabla 2.

Tabla 2: Subclasificación de los modelos matemáticos según criterios

Nro. Características

Los parámetros del modelo se conocen con certidumbre tanto

1
en la función objetivo como en las restricciones.
 Nro. Características

No se conoce/n con certidumbre alguno/s de los parámetros

2
del problema.

Todas las relaciones funcionales implican que todas las

3 variables dependientes son proporcionales a las independientes
y de grado uno (lineales).

Utilizan una o varias relaciones funcionales curvilíneas o no

4
proporcionales.

Se definen en un punto fijo del tiempo y se supone que las

5
condiciones del modelo no cambian para ese período.

El mejor u óptimo curso de acción   se determina al examinar

6
períodos múltiples.

Proceso de planteamientos de modelos y experimentación. Se

utiliza cuando la complejidad o la naturaleza de un problema no
7 permiten plantear un modelo matemático que se ajuste en
forma adecuada al problema. Se simulan, entonces, dichos
problemas complejos.

Fuente: elaboración propia en base a Davis y McKeown, 1995.

En un modelo estocástico, los parámetros de problema se conocen con certeza

y se definen como fijos en el tiempo examinado.
 Falso, porque los parámetros del problema no se
conocen con exactitud.

Verdadero, porque los parámetros del problema se

conocen con certeza y puede predecirse su
comportamiento en el tiempo.

SUBMIT

Una vez adquiridos los conceptos básicos sobre CA/IO y los modelos
matemáticos, podemos concluir a modo de síntesis, que el problema
planteado:

1 se relaciona con la CA/IO, porque se debe tomar decisiones sobre

cuánto fabricar y cuánto vender de sillas y bancos para obtener la
mayor ganancia;

2 es un modelo matemático normativo, porque busca optimizar a

través de la fijación de un objetivo (maximizar utilidades a través de
venta de sillas y bancos) y cursos de acción para alcanzarlo
(utilización de recursos de fabricación, tales como horas máquinas
de cortadora y cantidad de materias primas);
3 es un modelo determinístico, porque se conocen con certeza los
parámetros (función objetivo y recursos –horas máquina y
cantidad de materia prima-);

4 es un modelo lineal, porque tanto la función objetivo (maximizar

ganancia) como los recursos (restricciones) tienen variables
dependientes proporcionales a las variables independientes y son
de primer grado;

5 es un modelo estático, porque se considera que las condiciones del

modelo (utilidades de sillas y bancos, como así también las
restricciones de horas máquina y cantidad de materia prima), no
cambian en relación al tiempo definido.

C O NT I NU A R
LECCIÓN 3 de 3

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.

García-Sabater, J. (2015). Modelado y Resolución de Problemas de

Organización Industrial mediante Programación Matemática Lineal.
Recuperado de
http://personales.upv.es/jpgarcia/LinkedDocuments/modeladomatematico.
pdf

Hillier, F. S. y Lieberman, G. J. (1998). Introducción a la Investigación de

Operaciones. México: McGraw Hill. 

Lee, C. (1974). Modelos de planificación. Madrid, España: Ediciones Pirámide