Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
Modelo 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
–
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
a) Algoritmos
“Un algoritmo es un conjunto de procedimientos, que cuando se
siguen en forma ordenada, proporcionan una solución óptima a un
problema”
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:
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).
● 2 La función objetivo
● 3 Las restricciones
En primer lugar, nos preguntamos:
Variables de decisión:
x: silla
y: banco
Función objetivo:
Maximizar: z= 2000x + 3000y
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.
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
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:
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.
Sustituyendo:
Z = 2000x 0 + 3000y 0 + 0 × 8 + 0 × 9 = 0
Bá
sic Z x y s1
a
Z 1 - 2000 - 3000 0
s1 0 1 2 1
s2 0 3 1 0