01 Concepto de modelado - generalidades

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?

Un modelo es una representación de la realidad

Clasificación de los modelos

Existen numerosas clasificaciones de modelos, tantas como abstracciones se
hagan de la compleja realidad en la que estamos insertos.

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.

MODELOS DESCRIPTIVOS
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’.

MODELOS NORMATIVOS
Se llaman también modelos de optimización. Son prescriptivos, pues marcan un
curso de acción que debe tomar el administrador para alcanzar el objetivo
propuesto.
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.
 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.

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
7 no permiten plantear un modelo matemático que se ajuste en
forma adecuada al problema. Se simulan, entonces, dichos
problemas complejos.

02 Fases del estudio de IO

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.

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”

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.

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.

Fases de un estudio de IO
● 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.
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. Especificación de 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).

03 Concepto de programación lineal. Formulación

del modelo

La programación lineal (PL)

Formulación del problema
En este tópico se identifican los elementos fundamentales del modelo de PL
para el problema:

● 1 Las variables de decisión

● 2 La función objetivo

● 3 Las restricciones
En primer lugar, nos preguntamos:

¿Cuáles son las variables de decisión?

Esto es lo primero que tenemos que definir para hacer compatibles las variables
de decisión con la función objetivo y las restricciones. En otras palabras,
queremos que las variables de decisión tengan el mismo sentido en todo el
problema, que no cambien su significado al introducirlas en la función objetivo y
en las restricciones.

¿Qué es lo se quiere optimizar? ¿Bajo qué condiciones?

Estas son preguntas fundamentales para definir las variables de decisión en
consonancia con la función objetivo y las restricciones. Si se quiere maximizar
los beneficios es evidente que la función objetivo tendrá que estar en relación
directa con las variables de decisión: a mayor valor de éstas, más crecerán los
beneficios.

¿Cómo armamos las restricciones?

Reiteramos: las variables de decisión (silla y banco) no tienen que perder su
sentido en el problema. Parece evidente, entonces, que, por ahora, dos de las
restricciones serán las siguientes: una restricción será de horas máquina de la
cortadora (leer bien el primer párrafo del problema) que, en este caso, no deberá
exceder las 8 hs. La otra restricción es de kilogramos de materia prima (madera)
que no deberá exceder los 9 kg.

Intentemos, entonces, armar las restricciones que en este caso

consistirán en un sistema de inecuaciones:

x + 2y < = 8 restricción de horas máquina cortadora

3x + y < = 9 restricción de kilogramos de materia prima (madera).

Las variables de decisión nunca pueden ser negativas. ¿Por qué?

porque no se pueden fabricar cantidad sillas y bancos negativos.
 Finalmente, hagamos una síntesis de lo analizado y obtendremos el
planteo del problema:

Variables de decisión:
x: silla
y: banco

Función objetivo:
Maximizar: z= 2000x + 3000y

Sujeta a las restricciones (SA):

x + 2y < = 8
3x + y < = 9
x, y > = 0

Características del modelo de PL

1. Un solo objetivo
Necesitamos ocuparnos de un objetivo a la vez. Se maximiza una única función,
por ejemplo, el objetivo en nuestro problema es maximizar los beneficios de la
empresa y saber que cada silla tiene una utilidad de $2000 y cada banco de
$3000.

2. Restricciones
La maximización o minimización de un objetivo está sujeta a restricciones. La
disponibilidad de los recursos escasos limita la producción a niveles que puedan
alcanzarse con los recursos disponibles. “Si no existiera esta restricción sería
posible fabricar una cantidad ilimitada de productos, lo cual, por supuesto, es
totalmente irreal. Esas limitaciones de los niveles de producción se denominan
restricciones” (Davis y McKeown, 1995, p. 25).

En nuestra situación problemática, las restricciones están dadas por los recursos
que se necesitan para la fabricación en horas máquinas, en el uso de la
cortadora de madera y en la cantidad de materia prima (madera) para la
producción.
3. Proporcionalidad o linealidad
La relación entre la función objetivo y las variables de decisión (nivel de
fabricación de cada producto) debe ser proporcional. Igualmente, la relaciones
entre las restricciones y el nivel de fabricación de los productos también debe
ser proporcional (lineales).

En nuestro problema se puede visualizar que tanto la función objetivo como las
restricciones están en función de variables de decisión: silla (x) y banco (y);
todas, expresiones lineales:

z= 2000x + 3000y

SA:
x + 2y < = 8
3x + y < = 9

4. Divisibilidad
La producción de cierto tipo de productos puede expresarse mediante
fracciones, por ejemplo, se admite que el resultado arroje algún valor como: 4,33
sillas o 2,52 bancos, entre otros. Es decir, no deben ser sólo números enteros.

5. Aditividad
La función objetivo muestra que las partes de la misma contribuyen a la función
objetivo en forma aditiva. Esto significa que, en el caso de nuestro problema, si
deseamos agregar alguna variable de decisión más a la función objetivo, la
misma debe aportar a la meta, es decir, si buscamos maximizar beneficios no
podemos agregar una variable de decisión que reste utilidades.

6. No negatividad de los productos

Los productos fabricados no son valores negativos. Significa que no podemos
fabricar una cantidad negativa de sillas y/o de bancos.

7. Certidumbre
Significa que las utilidades, la disponibilidad de recursos escasos y las
relaciones entre los niveles de producción y los usos de los recursos se conocen
con certeza y no varían en el tiempo establecido de estudio.
En relación con la problemática planteada, significa que los $2000 de las sillas,
los $3000 de los bancos y las restricciones en recursos (horas máquina de la
cortadora y la madera como materia prima) no cambiarán en el tiempo que se
estudia y se conocen con certeza.
04 El método gráfico
Representación gráfica de la inecuación 3x + y ≤ 9
Representación gráfica del sistema de inecuaciones
conformado por x + 2y ≤ 8 y 3x + y ≤ 9

Solución gráfica del sistema de inecuaciones

correspondiente al problema planteado
Mayor valor
Para conseguir este valor, en la figura 7 se muestra que la
función objetivo toca el valor extremo más lejano de la
región factible en la intersección de las inecuaciones x+2y≤8
y 3x+y≤9. Como las inecuaciones representan semiplanos,
convertimos las inecuaciones antes mencionadas en ecuaciones
porque la intersección se produce en el cruce de las dos
rectas, de lo que resulta el siguiente sistema de ecuaciones:
{x + 2y = 8 3x + y=9

Este sistema de dos ecuaciones con dos incógnitas se puede resolver al emplear
algunos de estos métodos: sustitución, igualación o reducción. Al utilizar
cualquiera de ellos obtenemos que x=2 e y=3, por lo tanto, el punto de
intersección es el punto (2, 3) que en nuestro problema sería fabricar dos sillas y
tres bancos diariamente.
Para conocer el beneficio valuamos el punto (2, 3) en la función objetivo, que
resulta en:

Z = 2000 x 2 + 3000 x 3 = 13.000

Región factible de un problema de minimización

Solución óptima en forma gráfica del problema de

minimización planteado
Finalmente, una vez vistos los métodos de maximización y minimización para un
problema de PL por el método gráfico, cabe preguntarse: ¿todos los problemas
de programación lineal tienen una única solución óptima?

La respuesta es NO. Cuando los problemas de programación lineal no tienen una

sola solución óptima se denominan casos especiales de PL.
01 El método simplex: forma estándar
Ahora bien, para ejecutarlo, deben darse algunas condiciones iniciales:

● 1 Todas las restricciones deben ser ecuaciones con lado derecho no

negativo (en nuestro problema, significa que los recursos conformados
por horas máquina de la cortadora y los kilogramos de madera no pueden
ser cantidades negativas).

● 2 Todas las variables de decisión son no negativas (para nuestra situación,

las cantidades de productos de silla y banco que debemos fabricar no
pueden ser negativas).

Conversión de desigualdades en igualdades.

Variables de holgura
Para tener el planteo matricial estándar, en primer lugar, deben transformarse
las inecuaciones en ecuaciones agregando un término o variable en cada una de
ellas que indique la cantidad del recurso en cuestión que no fue utilizado; por lo
tanto, esta variable será mayor o igual que cero. La designaremos con la letra s y
la llamaremos variable de holgura.

¡Importante!: Las variables de holgura se suman al lado izquierdo de la

inecuación (primer miembro) si la restricción es menor o igual.

Por otra parte, el sistema modificado tiene más variables (cantidad de sillas [x],
cantidad de bancos [y], holgura de horas máquina [s 1], holgura de kilogramos de
materia prima [s2]) que ecuaciones (restricción de horas máquina y restricción de
kilogramos de materia prima)
En términos generales, un sistema tiene m ecuaciones lineales (en nuestro caso,
2, que son: restricción de horas máquina y restricción de kilogramos de materia
prima) con n incógnitas (en nuestro caso, 4, que son: cantidad de sillas [x],
cantidad de bancos [y], holgura de horas máquina [s 1], holgura de kilogramos de
materia prima [s2]), donde n > m.

Obtención de soluciones factibles básicas

Las variables que se igualan a cero se llaman variables no básicas. Las variables
que se utilizan para resolver las ecuaciones (es decir, las distintas de cero) se
llaman variables básicas.

Si hacemos x = 0 y, además, y = 0, entonces necesariamente s 1 = 8 y s2 = 9. ¿Pero

qué significa que x = 0 , y = 0, s 1 = 8 y s2 = 9? Expresa que no se fabrican sillas (x)
ni bancos (y); por este motivo, hay excedentes de insumos, de horas máquina
(s1) y de kilogramos de materia prima (s2 ).

Por lo tanto, es suficiente hacer n − m variables iguales a cero

(que, por conveniencia, son las variables que se repiten en
ambas ecuaciones), y el resto tendrá el máximo valor posible que
pueda dársele en el sistema. A esta solución se la llama solución
factible básica inicial y es la siguiente:

Analicemos la función objetivo incluyendo las variables de holgura, como se

describió anteriormente:
Z = 2000x + 3000y + 0s1 + 0s2;

Sustituyendo:
Z = 2000x 0 + 3000y 0 + 0 × 8 + 0 × 9 = 0

Es decir que, al no producir (x = silla; y = bancos), no hay ganancia (Z) y hay

excedente de recursos por no utilizarse (s1= horas máquina; s2= kilogramos de
materia prima), pero no aportan ganancia.

En síntesis, el método simplex comienza dándole el máximo valor a las variables

de holgura (s1= horas máquina; s2= kilogramos de materia prima) y cero a las
variables principales del sistema (x = sillas; y = bancos).

02 La tabla simplex: un caso de maximización

¿Cómo se construye una tabla simplex?
Para comenzar con la disposición de los datos en la tabla, vamos
a igualar a cero la función objetivo, pues vamos a necesitar
esta ecuación para introducirla en la tabla simplex. Como la
función objetivo es Z = 2000x + 3000y, despejando Z, nos queda:
Z − 2000x − 3000y = 0.

El planteo inicial del problema que venimos tratando se escribe en forma de

tabla llamada simplex de la siguiente manera:
Tabla 1. Tabla simplex inicial para el problema planteado

Bá
sic Z x y s1
a

Z 1 - 2000 - 3000 0
s1 0 1 2 1

s2 0 3 1 0