4.

UNIDAD IV: TEORÍA DE MODELADO

4.1 DEFINICIÓN DE MODELOS

Antes de entrar a la parte de modelos se hará un pequeño paseo de lo que es la

investigación operativa o la investigación de operaciones:

Las raíces de la investigación de operaciones se remontan a muchas décadas,

cuando se hicieron los primeros intentos para emplear el método científico en la
administración de una empresa. Sin embargo, el inicio de la actividad llamada investigación
de operaciones, casi siempre se atribuye a los servicios militares prestados a principios de
la segunda guerra mundial.

La investigación de operaciones proporciona a los tomadores de decisiones bases

cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para
hacer planes a futuro.

En el ambiente socioeconómico actual altamente competitivo y complejo, los

métodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya
que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a
situaciones complicadas y cambiantes con rapidez que requieren de soluciones creativas y
prácticas apoyadas en una base cuantitativa sólida.

En organizaciones grandes se hace necesario que el tomador de decisiones tenga un

conocimiento básico de las herramientas cuantitativas que utilizan los especialistas para
poder trabajar en forma estrecha con ellos y ser receptivos a las soluciones y
recomendaciones que se le presenten.

En organizaciones pequeñas puede darse que el tomador de decisiones domine las

herramientas cuantitativas y él mismo las aplique para apoyarse en ellas y así tomar sus
decisiones.

La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del

método científico a problemas relacionados con el control de las organizaciones o sistemas
(hombre-máquina), a fin de que se produzcan soluciones que mejor sirvan a los objetivos
de la organización.

La Investigación de Operaciones ha desarrollado una serie de técnicas y modelos

muy útiles a la Ingeniería de sistemas. Entre ellos: la programación lineal, teoría de colas,
programación entera, programación dinámica.

4.2 MODELOS DE DECISIÓN

El modelo de decisiones más simple que tiene solo dos alternativas se denomina
Maniqueísmo, adaptado por Zaratustra y luego adoptado por otras religiones organizadas.
El Maniqueísmo es el concepto de dualidad que divide todo lo que forma parte del universo
en dos alternativas distintas o dos polos opuestos, como por ejemplo el bien y el mal,
blanco y negro, día y noche, mente (o alma) y cuerpo, etc.

Este concepto de dualidad fue un modelo suficiente de la realidad para aquella

época para que el mundo fuera manejable y calculable. Sin embargo, hoy en día sabemos
con certeza que todo cambia y todo tiene un amplio espectro continuo. No existen los
opuestos en la naturaleza. Debemos ver el mundo a través de los ojos de nuestra mente
vivida; de lo contrario, no comprendemos bien las ideas complejas.

La palabra modelos la define el Diccionario de la Real Academia como: Arquetipo

o punto de referencia para imitarlo o reproducirlo. Esta es una de las definiciones
encontradas en este Diccionario. Pero como se expondrá en este tema se define como lo
siguiente:

Teniendo en cuenta que los modelos son herramientas dentro de la IO se hace

necesario comprender que: Un modelo de decisión debe considerarse como un vehículo
para resumir un problema de decisión en forma tal que haga posible la identificación y
evaluación sistemática de todas las alternativas de decisión del problema. Después se llega
a una decisión seleccionando la alternativa que se juzgue sea la mejor entre todas las
opciones disponibles.
 Un modelo es una abstracción selectiva de la realidad.

El modelo se define como una función objetivo y restricciones que se expresan en

términos de las variables (alternativas) de decisión del problema.

Una solución a un modelo, no obstante, de ser exacta, no será útil a menos que el
modelo mismo ofrezca una representación adecuada de la situación de decisión verdadera.

Los modelos suelen desempeñar diferentes papeles en distintos niveles de la

empresa. En los niveles más altos, los modelos por lo común aportan información en forma
de resultados y conocimientos, pero no necesariamente decisiones recomendables. Son
útiles como instrumentos de planificación estratégica; ayudan a crear pronósticos, explorar
alternativas, desarrollar planes para múltiples contingencias, acrecentar la flexibilidad y
abreviar el tiempo de reacción. En niveles inferiores los modelos se usan con más
frecuencia para obtener decisiones recomendables.

4.3 CARACTERÍSTICAS DE LOS MODELOS

El modelo de decisión debe contener tres elementos:

 Alternativas de decisión, de las cuales se hace una selección al elaborar una lista de
todas las alternativas disponibles para la solución de un determinado problema.
(Variables de decisión). Son aquellas sobre las que se pueden tomar decisiones en el
problema y darles un nombre, es decir, hay que darse cuenta de qué variables están
bajo control. Son las incógnitas o decisiones que deben determinarse según se vaya
resolviendo el problema. A las variables de decisión también suelen llamárseles
Actividad y a sus valores Niveles de Actividad.
  Restricciones, para excluir alternativas infactibles. Las restricciones son relaciones
entre las variables de decisión y magnitudes que dan sentido a la solución del
problema y las acotan a valores factibles. Las restricciones son aquellas limitaciones
que se deben tener en cuenta, como las tecnológicas, legales, económicas y otras del
sistema que van a restringir a las variables de decisión en un rango de valores que
resulte factible.
 Criterios para evaluar y clasificar alternativas factibles. (Función objetivo). Define
la medida de efectividad que obtiene el sistema cuando los valores de las variables
de decisión con sus respectivos parámetros y restricciones, dan como resultado una
mejora del sistema.

Proporcionan una estructura para examinar el proceso de toma de decisiones.

Los modelos tienen distintas aplicaciones en los diferentes niveles de la empresa,

por varias razones. A medida que desciende en los niveles de una organización las
alternativas y los objetivos pueden volverse más claros. Por ejemplo, en el nivel más bajo
de la jerarquía, las decisiones pueden referirse a cómo programar las operaciones de una
máquina en particular. Saber que productos serán fabricados en ella y los costos de cambios
necesarios para pasar de la fabricación de un producto a otro.

 Los modelos obligan a definir explícitamente sus objetivos.

 Los modelos obligan a identificar y registrar los tipos de decisiones que influyen
en dichos objetivos.
 Los modelos obligan a identificar y registrar las interacciones entre todas esas
funciones y sus respectivas ventajas y desventajas.
 Los modelos obligan a pensar cuidadosamente en las variables que se van a
incluir y definirlas en términos que sean cuantificables.
 Los modelos obligan a considerar qué datos son pertinentes para la
cuantificación de dichas variables y determinar las interacciones entre ellas.
 Los modelos obligan a reconocer las restricciones (limitaciones) pertinentes que
puedan adoptar las variables cuantificadas.
  Los modelos permiten que se comuniquen las ideas y conocimientos dentro de
un trabajo de equipo.
 Pueden evitar decisiones arbitrarias o inconsistentes que no se basen en los datos
disponibles.
 No dicen que decisiones tomar; más bien, indican cómo proceder para tomarlas
o cómo analizar decisiones pasadas.

De estas características se concluye que un modelo puede servir como una

herramienta existente para la evaluación y comunicación de diferentes políticas. Es decir,
cada política es evaluada con el mismo objetivo, aplicando las mismas fórmulas para cada
interacción y restricciones.

4.4 ABSTRACCIÓN Y SIMPLIFICACIÓN

Los problemas del mundo real tienen una complejidad enorme, el decisor puede
optar por considerar específicamente y con detalle todos los aspectos de la situación, pero
la mente no puede considerar todos los aspectos de un problema empírico. Hay que omitir
algunos de los atributos del problema para poder tomar una decisión.

El decisor debe determinar cuáles son los factores más relevantes de la situación,
mediante el estudio y caracterización de la misma.

La abstracción y simplificación son los pasos necesarios para poder llevar una
situación de la realidad a un plano o modelo matemático manipulable a través de variables.

El proceso de abstracción siempre introduce algún grado de error en las soluciones

obtenidas, por lo que el ejecutivo no debe volverse incondicional de un modelo cuantitativo
y adoptar automáticamente sus conclusiones como decisión correcta. La cuantificación es
una ayuda para el juicio del decisor pero no un sustituto total de éste.
 4.5 PASOS PARA LA CONSTRUCCIÓN DE UN MODELO

1. Definición del problema de interés y recolección de los datos relevantes.

2. Formulación de un modelo que represente el problema.
3. Solución del modelo.
4. Prueba del modelo.
5. Preparación para la aplicación del modelo.
6. Puesta en marcha.

4.5.1 DEFINICIÓN DEL PROBLEMA Y RECOLECCIÓN DE DATOS

La primera actividad que se debe realizar es el estudio del sistema relevante, esto
incluye determinar los objetivos, las restricciones sobre lo que se puede hacer, los
diferentes cursos de acción posibles las interrelaciones del área bajo estudio con otras áreas
de la organización, los límites de tiempo para tomar una decisión. Este proceso de definir el
problema es muy importante ya que afectará en forma significativa las conclusiones en
estudio, lo cual hace imposible extraer una respuesta correcta de un problema equivocado.
Lo primero que hay que reconocer es que un equipo de investigación de operaciones, por lo
general trabaja en un nivel de asesoría. A los miembros del equipo no se les presentan un
problema y se les dice que lo resuelvan como puedan, sino que asesoran a la gerencia (casi
siempre un tomador de decisiones). El equipo realiza un análisis técnico y después
presentan un informe a los administradores. Con frecuencia, el informe a la gerencia
identifica cierto número de opciones atractivas, en particular bajo diferentes suposiciones.
El gerente evalúa el estudio y sus recomendaciones. Y toma una decisión final basándose
en su mejor juicio. Entonces, es vital que el equipo de investigación de operaciones pueda
observar desde el mismo nivel que la gerencia.

Es común que el equipo de investigación de operaciones pase mucho tiempo

recolectando los datos relevantes sobre el problema.
 4.5.2 FORMULACIÓN DEL MODELO

Una vez definido el problema la siguiente etapa consiste en reformularlo para su

análisis, mediante la construcción de un modelo que represente la esencia del problema.
Los modelos son representaciones idealizadas de la realidad. Los modelos tienen muchas
ventajas sobre una descripción verbal del problema, una ventaja obvia es que el modelo
describe un problema en forma mucho más concisa.

Al desarrollar el modelo, se recomienda empezar con una versión muy sencilla y

moverse, en forma evolutiva, hacia modelos más elaborados que reflejen mejor la
complejidad del problema real. Los modelos siempre deben ser menos complejos que el
sistema real, de otra manera, no tiene sentido trabajar con modelos si se puede trabajar con
el sistema real en sí.

4.5.3 OBTENCIÓN DE UNA SOLUCIÓN A PARIR DEL MODELO

Una vez formulado el modelo para el problema bajo estudio, la siguiente etapa de
un estudio consiste en desarrollar un procedimiento para derivar en una solución al
problema a partir de este modelo, según el tipo de modelo este puede hacerse en
computadora. Puede pensarse que esta debe ser la parte principal de estudio, pero por lo
general no lo es, encontrar la solución es la parte divertida del estudio, mientras que el
verdadero trabajo se encuentra en las etapas anteriores y posteriores del estudio. Un tema
común es la búsqueda de una solución óptima, es decir, la mejor, es necesario reconocer
que estas soluciones son óptimas sólo respecto al modelo que se está utilizando. Como el
modelo necesariamente es una idealización y no una representación del problema real, no
puede existir una garantía de que la solución óptima del modelo resulte ser la mejor
solución posible que pueda llevarse a la práctica para el problema real. Esto, por supuesto,
es de esperarse si se toma en cuenta los muchos imponderables e incertidumbre asociados
a casi todos los problemas reales, pero si el modelo está bien formulado la solución debe
tener una buena aproximación de curso de acción ideal para el problema real.
 El eminente científico de la administración y premio Nobel de Economía, Herbert
Simón, introdujo el concepto de que en la práctica es mucho más frecuente satisfazar que
optimizar. Al inventar el término satisfazar como una combinación de satisfacer y
optimizar. La distinción entre optimizar y satisfazar refleja la diferencia entre la teoría y la
realidad.

Por lo tanto, la meta de un estudio de investigación de operaciones debe ser llevar a

cabo el estudio de una manera óptima, independientemente de si implica o no encontrar una
solución óptima para el modelo. Al reconocer este concepto, en ocasiones se utilizan solo
procedimientos de diseño intuitivo para encontrar una buena solución sub-óptima.

Una solución óptima para el modelo original puede ser mucho menos que ideal para
el problema real, de manera que es necesario hacer un análisis adicional. El análisis pos-
óptimo, constituye una parte muy importante, éste determina qué parámetros del modelo
son los más críticos, los parámetros críticos, del modelo son aquellos cuyos valores no se
pueden cambiar sin que la solución óptima cambie.

4.5.4 PRUEBA DEL MODELO

Sin duda que la primera versión de un modelo grande tenga muchas fallas, por lo
tanto antes de usar el modelo debe probarse para identificar y corregir todas las fallas que
se pueda, este proceso de prueba y mejoramiento se conoce como validación del modelo.
Un modelo es válido si, independientemente de sus inexactitudes, puede dar una predicción
confiable del funcionamiento del sistema. Un método común para probar la validez de un
modelo es comparar su funcionamiento con algunos datos pasados disponibles del sistema
actual (se le llama también prueba retrospectiva). Debe notarse que tal método de
validación no es apropiado para sistemas que no existen, ya que no habrá datos disponibles
para poder comparar. Otro método podría ser incluir a una persona que no haya participado
en la formulación del modelo, para poder encontrar errores que el equipo de investigación
de operaciones no encontró.
 4.5.5 PREPARACIÓN PARA LA APLICACIÓN DEL MODELO

El siguiente paso es instalar un sistema bien documentado para aplicar el modelo.

Este sistema incluirá el modelo y el procedimiento de solución (además del análisis post-
óptimo) y los procedimientos operativos para su implantación (este sistema casi siempre
está diseñado para computadora).

Parte de este esfuerzo incluye el desarrollo de un proceso de mantenimiento durante

su uso futuro, por lo tanto si las condiciones cambian con el tiempo, este proceso debe
modificar al sistema como al modelo.

4.5.6 IMPLANTACIÓN DEL MODELO

Una vez desarrollado el sistema para aplicar el modelo, la última etapa consiste en
la implantación de los resultados probados del modelo. Esto básicamente implicaría la
traducción de estos resultados en instrucciones de operación detallada, emitidas en una
forma comprensible a los individuos que administrará y operarán al sistema. A la
culminación del estudio, es apropiado que el equipo de investigación de operaciones
documente su metodología utilizada con suficiente claridad para que el trabajo sea
reproducible.

4.6 ANÁLISIS DE MODELOS EN LA TOMA DE DECISIÓN

4.6.1 CLASIFICACIÓN DE LOS MODELOS

Los modelos para toma de decisiones se clasifican con frecuencia según la función
de negocios a la cual se aplican (finanzas, mercadotecnia, contabilidad de costos,
operaciones, etc.), por la disciplina de aplicaciones o por la industria involucrada (Ciencias,
ingenierías, economía, organización militar, instituciones no lucrativas, transporte, capital
de riesgo, etc.). También pueden clasificarse según el nivel de la organización en el cual se
aplican (estratégicos Vs tácticos), por el marco temporal elegido (largo Vs corto plazo), por
el tipo de matemáticas utilizadas (ecuaciones lineales Vs ecuaciones no lineales) y por la
tecnología aplicada en la construcción del modelo (hoja de cálculo electrónica, paquete de
software personalizado, lápiz y papel, etc.). Cada una de esas tipologías provee mayores
conocimientos acerca de los usos y la aplicabilidad de cada modelo.

Para esta teoría de modelos usaremos una tipología más para organizar nuestra
aproximación a la construcción de modelos: modelos determinísticos y probabilísticos.

Los modelos se clasifican como determinísticos si se supone que se conocen los

factores principales y como probabilísticos si se desconocen algunos factores. Dentro de
esta clasificación las variables principales de acuerdo al problema de decisión serán
simples, complejas y dinámicas. En el siguiente cuadro se detallara más acerca del tema, y
se expone un ejemplo de cada uno.

Problema de decisión Determinísticos Probabilísticos

Simples Modelos de caso Árboles de decisión

Complejos Programación lineal Simulación

Dinámicos Programación dinámica Modelos de cola

4.6.1.1 MODELOS DETERMINÍSTICOS

Son aquellos donde se supone que todos los datos pertinentes se conocen con
certeza. Es decir, en ellos se supone que cuando el modelo sea analizado se tendrá
disponible toda la información necesaria para tomar las decisiones correspondientes. La
utilidad de los modelos determinísticos suele ser máxima cuando una o más entradas no
controladas del modelo presentan incertidumbre. En consecuencia, los modelos
determinísticos se utilizan a menudo, aunque no siempre para la toma de decisiones
internas de una organización.

4.6.1.2 MODELOS PROBABILÍSTICOS

En estos algunos elementos no se conocen con certeza, es decir, se presupone que

algunas variables importantes llamadas variables aleatorias, no tendrán valores conocidos
antes que se tomen las decisiones correspondientes, y que ese desconocimiento debe ser
incorporado al modelo. En consecuencia estos modelos se usan a menudo para la toma de
decisiones estratégicas referentes a la relación de una organización con su ambiente
(incierto).

4.6.1.3 MODELOS SIMPLES

Al construir el modelo para el análisis hay que simplificar los problemas. Si con
esto se obtiene un número pequeño de factores o variables, y relativamente pocas
alternativas se dice que el modelo es simple. Los modelos simples pueden ser muy útiles.
Incluso para problemas de decisión importante.

4.6.1.4 MODELOS COMPLEJOS

Son aquellos que implican un gran número de factores o variables importantes, o

aquellos en los cuales se pueden considerar muchas alternativas. Por ejemplo, una empresa
puede tener varias plantas que producen bienes para envío a cientos de clientes. El
problema de decisión de la programación de actividades de las planas y la determinación de
cuales plantas proveerán a que clientes, para minimizar el costo, comprende cientos de
variables y restricciones y puede tener millones de soluciones posibles.
 4.6.1.5 MODELOS DINÁMICOS

Estos comprenden un tipo de complejidad especial, una secuencia de decisiones

relacionadas que se presentan en varios periodos. Los modelos de inventario se utilizan
para determinar cuándo pedir inventario y cuantas existencias se deben almacenar. Los
modelos PERT o de ruta crítica se utilizan para la programación de proyectos; los modelos
de colas para los problemas que implican colas de espera.

4.6.1.6 SIMPLE DETERMINÍSTICOS

El modelo de caso. Es un modelo de un problema de decisión que se analiza

ensayando una serie de casos (posibles resultados), con diversas alternativas o distintas
hipótesis. Este modelo no se diseña para encontrar de forma directa la mejor solución. Más
bien se usa el modelo en un proceso por tanteo.

4.6.1.7 COMPLEJO DETERMINÍSTICOS

Programación lineal. Es un procedimiento o algoritmo matemático mediante el

cual se resuelve un problema indeterminado, formulado a través de ecuaciones lineales,
optimizando la función objetivo, también lineal.

Consiste en optimizar (minimizar o maximizar) una función lineal, que

denominaremos función objetivo, de tal forma que las variables de dicha función estén
sujetas a una serie de restricciones que expresamos mediante un sistema de inecuaciones
lineales.

Elementos de la programación lineal

 Variables: Son números reales mayores o iguales a cero.

 Función objetivo: Es la ecuación que se desea optimizar.
 Restricciones: Son condiciones, a las cuales, están sujetas las variables.
 Parámetros: está representado por los coeficientes que acompañan a las
variables (en la función objetivo y en las restricciones).
 4.6.1.8 DINÁMICO DETERMINÍSTICOS

Programación dinámica. La programación dinámica es un enfoque general para la

solución de problemas en los que es necesario tomar decisiones en etapas sucesivas. Las
decisiones tomadas en una etapa condicionan la evolución futura del sistema, afectando a
las situaciones en las que el sistema se encontrará en el futuro (denominadas estados), y a
las decisiones que se plantearán en el futuro.

Conviene resaltar que a diferencia de la programación lineal, el modelado de

problemas de programación dinámica no sigue una forma estándar. Así, para cada problema
será necesario especificar cada uno de los componentes que caracterizan un problema de
programación dinámica.

El procedimiento general de resolución de estas situaciones se divide en el análisis

recursivo de cada una de las etapas del problema, en orden inverso, es decir comenzando
por la última y pasando en cada iteración a la etapa antecesora. El análisis de la primera
etapa finaliza con la obtención del óptimo del problema.

4.6.1.9 SIMPLE PROBABILÍSTICO

Árbol de decisión. Es un recurso gráfico para analizar decisiones bajo riesgo.

Cuando un proceso de decisión estructurada se integra con ramificaciones complejas se
hace uso de los árboles de decisiones. Este está constituido por diferentes elementos que se
presentan a continuación.

Elementos de un árbol de decisiones

Entrada: que puede ser una situación descrita a través de sus atributos.
 Nodos Internos: Llamados también nodos de decisión, son los que poseen
preguntas referentes a una de las propiedades de la entrada para hacer una elección. Por lo
general se representa con cuadros.

Ramas: están conectadas con los nodos internos y representan las posibles
respuestas, dando caminos dependiendo de la condición o respuesta dada.

Nodo de Probabilidad: conocidos como nodos de estado de naturaleza. Este es

redondo a diferencia de los nodos internos que son cuadrados e indican la probabilidad de
ocurrencia de un evento aleatorio de acuerdo a la naturaleza del problema.

Hojas: representan la respuesta final que devolverá el árbol de decisión.

Ventajas de un árbol de decisión

Resume los ejemplos de partida, permitiendo la clasificación de nuevos casos

siempre y cuando no existan modificaciones sustanciales en las condiciones bajo las cuales
se generaron los ejemplos que sirvieron para su construcción.

 Facilita la interpretación de la decisión adoptada.

 Proporciona un alto grado de comprensión del conocimiento utilizado en la
toma de decisiones.
 Explica el comportamiento respecto a una determinada tarea de decisión.
 Reduce el número de variables independientes.
 Es una magnifica herramienta para el control de la gestión empresarial.

4.6.1.10 COMPLEJO PROBABILÍSTICO

Simulación: Es el proceso de diseñar un modelo de un sistema real y llevar a

término experiencias con él, con la finalidad de comprender el comportamiento del sistema
o evaluar nuevas estrategias, dentro de los límites impuestos por un cierto criterio o un
conjunto de ellos para el funcionamiento del sistema.

4.6.1.11 DINÁMICO PROBABILÍSTICO

Teoría de colas. La teoría de colas es el estudio matemático del comportamiento de

líneas de espera. Esta se presenta, cuando los “clientes” llegan a un “lugar” demandando un
servicio a un “servidor”, el cual tiene una cierta capacidad de atención. Si el servidor no
está disponible inmediatamente y el cliente decide esperar, entonces se forma la línea de
espera.

Una cola es una línea de espera y la teoría de colas es una colección de modelos
matemáticos que describen sistemas de línea de espera particulares o sistemas de colas. Los
modelos sirven para encontrar un buen compromiso entre costes del sistema y los tiempos
promedio de la línea de espera para un sistema dado.

Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como
modelo, pueden representar cualquier sistema en donde los trabajos o clientes llegan
buscando un servicio de algún tipo y salen después de que dicho servicio haya sido
atendido. Podemos modelar los sistemas de este tipo tanto como colas sencillas o como un
sistema de colas interconectadas formando una red de colas.

El problema es determinar qué capacidad o tasa de servicio proporciona el balance

correcto. Esto no es sencillo, ya que un cliente no llega a un horario fijo, es decir, no se
sabe con exactitud en qué momento llegarán los clientes. También el tiempo de servicio no
tiene un horario fijo. Existen dos clases básicas de tiempo entre llegadas:

Determinísticos: En el cual clientes sucesivos llegan en un mismo intervalo de

tiempo, fijo y conocido. Un ejemplo clásico es el de una línea de ensamble, en donde los
artículos llegan a una estación en intervalos invariables de tiempo (conocido como ciclos de
tiempo).
 Probabilístico: En el cual el tiempo entre llegadas sucesivas es incierto y variable.
Los tiempos entre llegadas probabilísticas se describen mediante una distribución de
probabilidad.

4.6.2 CONCEPTOS BÁSICOS

4.6.2.1 VARIABLES DE DECISIÓN

Las variables de decisión son incógnitas que deben ser determinadas a partir de la
solución del modelo y se encuentra bajo el control de quien toma la decisión.

4.6.2.2 VARIABLES EXÓGENAS

Son importantes para el problema de decisión, pero están condicionadas por

factores que están fuera del control de la persona que decide, el valor de las variables
exógenas está determinado por factores o variables que no son incluidas en el modelo que
se está utilizando, tales como condiciones económicas, acciones de los competidores,
precios de las materias primas y otros factores similares.

4.6.2.3 POLÍTICAS Y RESTRICCIONES

Son limitaciones impuestas a las variables y su relación entre ellas, limitan el valor
de las variables de decisión a un rango de valores factibles, son definidas por la empresa
tales como, que los materiales tienen que adquirirse a determinados proveedores o que
deben mantenerse ciertos niveles de calidad.

4.6.2.4 MEDIDAS DEL DESEMPEÑO

Son aquellas que se utiliza como expresión cuantitativa para reflejar una meta.
 4.6.2.5 VARIABLES INTERMEDIAS.

Son variables que relacionan las variables de decisión y variables exógenas con las
medidas del desempeño. Este tipo de variables están orientadas a medir el estado interno de
la empresa, reflejado en aspectos tales como: motivación, rendimiento, comunicación y
toma de decisiones. Estas variables revistan gran importancia ya que son las que
constituyen los procesos organizacionales como tal de la Organización.

4.6.3 EL MODELO Y LA RELACIÓN ENTRE LAS VARIABLES

Un modelo relaciona en forma lógica todas las variables intervinientes en el

problema de decisión, de modo de transformar las variables de decisión en medidas de
desempeño dado un conjunto específico de variables exógenas y restricciones

En el siguiente diagrama se muestran cómo se relacionan las distintas categorías de

variables. El modelo se encuentra en la parte central y las variables de decisión, las
variables exógenas, las políticas y las restricciones son entradas al modelo mientras que las
salidas son las medidas de rendimiento. La definición de éstas relaciones es el segundo
paso importante en la construcción de un modelo (el primer paso, como se mencionó antes,
es la definición de las variables importantes).

Algunas relaciones son definiciones contables. Por ejemplo, los beneficios son los
ingresos menos los gastos, una sencilla regla de contabilidad. Otras relaciones dependen de
límites físicos, como a la determinación de la cantidad de productos que puede producirse
a partir de un lote de materias primas. Algunas relaciones son de juicio, que representan el
conocimiento del gerente acerca de la relación entre factores. Un ejemplo de éste tipo de
relación es el juicio del gerente con respecto a la reacción de los clientes ante un cambio en
el precio.
 El modelo es el conjunto de todas estas relaciones. Es algo así como una
“caja negra” que transforma las variables de decisión en medidas de rendimiento para un
conjunto específico de variables exógenas, políticas y restricciones.

Variables
Exógenas

Variables de Modelo Conjunto de Medidas de

Decisión Relaciones Rendimiento

Políticas y
Restricciones