Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Uso de modelos en io
Fases de un estudio en io
Qué es la Investigación de
Operaciones
La Investigación de Operaciones o Investigación Operativa (en
inglés OR u Operations Research) es una disciplina que consiste en la aplicación de
métodos analíticos avanzados con el propósito de apoyar el proceso de toma de
decisiones, identificando los mejores cursos de acción posibles.
Investigación de operaciones
Redactado por: Myriam Quiroa
Ver cursos
Investigación de
operaciones
Para empezar, se inicia en la primera década del siglo XX, el auge de su desarrollo
se produce después de la Segunda Guerra Mundial. Dado que en ese tiempo se
buscaba encontrar soluciones a problemas que enfrentaba el sistema militar. Sobre
todo, se enfocaban en resolver el problema de las entradas y salidas. Es decir, se
esperaba minimizar las entradas y maximizar las salidas.
De hecho, el método simplex fue creado por George Dantzig en 1947 y aplicado de
forma general y universal hasta el año 1980. Puesto que en ese momento aparecen
las computadoras.
1. Recurso humanos
En todo caso, puede usarse para ver el impacto del proceso de la automatización y
la reducción de costos, en el proceso de reclutamiento de personal, la asignación
de tareas y funciones al personal. Así como el uso de incentivos para el proceso de
producción.
3. Proceso de producción
5. Contabilidad y finanzas
Investigación de
operaciones
Aplicaciones
Tipos de Modelos
Modelos Matemáticos, donde se obtiene la solución óptima a un problema
de decisión por medio de algoritmos matemáticos y se dividen en
determinísticos que es cuando se conoce los datos de manera completa y la
forma del resultado y probabilístico o estocástico que es cuando no se
conoce el resultado esperado, sino su probabilidad y esta es menor al 100%.
I.O
Modelos Según la Información de Entrada
Heurístico.- En este tipo de modelos o problemas se obtiene una solución
buena sin llegar a la solución optima, basados en las explicaciones sobre las
causas o mecanismos naturales que dan lugar al fenómeno estudiado.
Empírico.- Utilizan las observaciones directas o los resultados de
experimentos del fenómeno estudiado.
Modelos en función de su campo de aplicación u objetivo
Simulación o Descriptivo.- De situaciones medibles de manera precisa o
aleatoria, por ejemplo con aspectos de programación lineal cuando es de
manera precisa, y probabilística o heurística cuando es aleatorio. Este tipo de
modelos pretende predecir qué sucede en una situación concreta dada.
De Optimización.- Para determinar el punto exacto para resolver alguna
problemática administrativa, de producción, o cualquier otra situación.
Cuando la optimización es entera o no lineal, combinada, se refiere a
modelos matemáticos poco predecibles, pero que pueden acoplarse a alguna
alternativa existente y aproximada en su cuantificación. Este tipo de modelos
requiere comparar diversas condiciones, casos o posibles valores de un
parámetro y ver cual de ellos resulta óptimo según el criterio elegido.
De Control.- Para saber con precisión como está algo en una organización,
investigación, área de operación, etc. Este modelo pretende ayudar a decidir
qué nuevas medidas, variables o qué parámetros deben ajustarse para lograr
un resultado o estado concreto del sistema modelado.
Matemático de Optimización.- Para resolver problemas que por su naturaleza
son indeterminados, es decir presentan más de una solución posible o
factible. Se emplea cuando la función objetivo y las restricciones del modelo
se pueden expresar en forma cuantitativa o matemática como funciones de
las variables de decisión.
La definición de cual de las múltiples opciones se debe utilizar, se hace con el
auxilio de una función objetivo. La función objetivo generalmente tiene un
carácter económico.
De Simulación.- Divide el sistema representado en módulos básicos o
elementales que después se enlazan entre sí vía relaciones lógicas bien
definidas. Por lo tanto, las operaciones de cálculos pasaran de un módulo a
otro hasta que se obtenga un resultado de salida.
Mixto operacional estadístico.- Es una teoría o situación causal de hechos y
expresado con símbolos de formato matemático. Por ejemplo, las tablas de
contingencia.
1. Formulación y definición del problema. En esta fase del proceso se necesita una descripción de los
objetivos del sistema, es decir, qué se desea optimizar; identificar las variables implicadas, ya sean
controlables o no; determinar las restricciones del sistema. También hay que tener en cuenta las
posibles alternativas de decisión y las restricciones para producir una solución adecuada.
2. Construcción del modelo. En esta fase, el investigador de operaciones debe decidir el modelo a
utilizar para representar el sistema. Debe ser un modelo tal que relacione a las variables de decisión
con los parámetros y restricciones del sistema. Los parámetros (o cantidades conocidas) se pueden
obtener, ya sea a partir de datos pasados o estimados por medio de algún método estadístico. Es
recomendable determinar si el modelo es probabilístico o determinístico. El modelo puede ser
matemático, de simulación o heurístico, dependiendo de la complejidad de los cálculos matemáticos
que se requieran.
3. Solución del modelo. Una vez que se tiene el modelo, se procede a derivar una solución
matemática, empleando las diversas técnicas y métodos matemáticos para resolver problemas y
ecuaciones. Debemos tener en cuenta que las soluciones que se obtienen en este punto del
proceso, son matemáticas y debemos interpretarlas en el mundo real. Además, para la solución del
modelo, se deben realizar análisis de sensibilidad, es decir, ver cómo se comporta el modelo a
cambios en las especificaciones y parámetros del sistema. Esto se hace debido a que los
parámetros no necesariamente son precisos y las restricciones pueden estar equivocadas.
4. Validación del modelo. La validación de un modelo requiere que se determine si dicho modelo
puede predecir con certeza el comportamiento del sistema. Un método común para probar la validez
del modelo es someterlo a datos pasados disponibles del sistema actual y observar si reproduce las
situaciones pasadas del sistema. Pero como no hay seguridad de que el comportamiento futuro del
sistema continúe replicando el comportamiento pasado, entonces siempre debemos estar atentos
de cambios posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo.
5. Implementación de resultados. Una vez que hayamos obtenido la solución o soluciones del modelo,
el siguiente y último paso del proceso es interpretar esos resultados y dar conclusiones y cursos de
acción para la optimización del sistema. Si el modelo utilizado puede servir a otro problema, es
necesario revisar, documentar y actualizar el modelo para sus nuevas aplicaciones