Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apunte N°5_Modelamiento de Sistemas
Apunte N°5_Modelamiento de Sistemas
I Modelamiento de Sistemas:
Los modelos deben ser juzgados por cuán fructíferos son, no por su precisión o exactitud. Pero,
cuando la finalidad es anticipar productos o procesos con una finalidad eminentemente
práctica, lo importante entonces es la precisión o el rigor del modelamiento o la simulación.
Existe una gran variedad de situaciones o problemas que se pueden modelar, como se ilustra
en la siguiente tabla:
Modelos de Problemas de Planificación de Análisis de
Asignación Distribución Actividades Decisiones y Riesgo
Personas Flujo de Caja Tunos Evaluación de
Carteras de Inversión
Fondos Sistemas Logístico Carga de Trabajo Análisis de Políticas
Modelos de asignación: Uno de los problemas más frecuentes para un tomador de decisiones
es repartir recursos limitados de diversa índole, entre varios programas, proyectos, inversiones,
nuevos productos, personas, etc… Los modelos de asignación colaboran en el logro de un
reparto de los recursos que permita obtener un resultado óptimo, desde el punto de vista global
de la empresa.
Problemas de Distribución: Hay varias situaciones en las que una industria debe determinar
la mejor forma para mover personas o productos desde la(s) ubicación(es) de origen a otra(s)
de destino, ya sea en forma directa o con transbordo, por otra parte se deben tomar decisiones
sobre la ubicación de nuevas plantas industriales, bodegas, terminales, centros de
consolidación y centros de distribución. Los modelos de distribución se usan para apoyar las
decisiones relacionadas con este tipo de situaciones.
Los modelos más conocidos, tienen un carácter cuantitativo, estos se presentan en la siguiente
tabla:
Programación Optimización de Análisis de Redes Métodos
Matemática Redes Estocásticos
Lineal Asignación Arboles de Decisión Simulación
Entera Flujo Máximo CPM,PERT Inventarios
Por Objetivos Ruta más corta Líneas de Espera
No Lineal Costo Mínimo Cadena de Markov
Dinámica Transporte con
Transbordo
Modelos de Programación Matemática: Estos modelos tienen como factor común el uso de
ecuaciones matemáticas para representar la relación entre las variables del modelo, en este
caso la palabra programación se usa como sinónimo de planificación.
• Programación Lineal (PL): Se trata de situaciones que comprenden la maximización o
minimización de una función objetivo que se expresa como función lineal de las
variables de decisión; esta función objetivo está limitada por restricciones también de
tipo lineal, que se expresan en función de las variables de decisión. En el año 1947
Geroge Dantzig desarrollo el algoritmo simplex, para resolver este tipo de situaciones.
• Programación Entera (PE): Corresponde a un caso participar de la programación lineal
en que las variables de decisión solo pueden tomar valores enteros. Cuando los valores
están limitados además a cero y uno, se habla de programación binaria. Por otra parte,
también existen modelos mixtos, en que algunas de las variables son enteras y otras
continuas.
• Programación no Lineal (PNL): Se diferencia de la PL en que la función objetivo y/o las
restricciones se expresan en forma no lineal, en función de las variables de decisión.
• Programación por Objetivos o Criterios Múltiples: En este caso los objetivos (o criterios)
son múltiples, compitiendo entre ellos. Se deben fijar prioridades entre los objetivos.
Finalmente el problema se convierte en la solución secuencial de varios problemas de
PL.
• Programación Dinámica: Se trata de modelos en que el estado de un sistema depende
del estado en períodos anteriores, se trabaja en este caso en base a un problema que
se divide en varios subproblemas, los que se resuelven desde el último hasta el
Optimización de Redes: Las redes construidas en base a nodos y arcos, permiten representar
y modelar muchas situaciones, por ejemplo sistemas de comunicación, sistemas de producción
con varias etapas, almacenamiento y distribución de productos entre otros. Lo que se busca es
optimizar algún aspecto de la red, por ejemplo determinar la firma más económica de operación
de la red, encontrar la ruta más corta de un nodo a otro, determinar la forma más económica de
operación de la red, encontrar la ruta más corta de un nodo a otro, determinar la máxima
capacidad de transporte de la red entre nodos, la ruta más económica, etc…
Análisis de Redes: Permite modelar situaciones en que hay factores de incertidumbre que
influyen en el resultado y en las alternativas de acción que se pueden tomar. Los modelos más
usados son los siguientes:
• Arboles de Decisión: Esta técnica permite modelar eventos (sobre los cuales no se
tienen control) y decisiones con alternativas (sobre los que si se tiene control) en forma
intercalada, permitiendo determinar todos los posibles resultados, y finalmente cuales
deben ser las decisiones a tomar, dependiendo de los eventos que se produzcan. Una
aplicación típica es la construcción de una planta industrial con potencial capacidad de
crecimiento a futuro, capacidad que se implementará dependiendo de la demanda
futura.
• CPM: Sigla que corresponde a Critical Path Method (Método del Camino Crítico); esta
técnica o método permite la planificación, costeo, coordinación y control de varias
actividades interrelacionadas (lo que normalmente se bautiza como proyecto), por
ejemplo las actividades necesarias para construir una central hidroeléctrica. Esta
técnica fue desarrollada en 1957 por J. Kelly de la industri Remington Ran y M. Walker
de la industria Dupont.
• PERT: Sigla que corresponde a Program Evaluation and Revie Techniques, la que es
similar al CPM, fue desarrollada a fines de los años cincuenta por la empresa consultora
BOOZ, ALLEN y HAMILTON en conjunto con la armada de los Estados Unidos, con
motivo de la construcción de los misiles POLARIS con cabezas atómicas, donde se
debía coordinar a 250 contratistas y 9000 subcontratistas, la única diferencia con el
CPM es que en este tipo de ejecución de cada actividad es de tipo determinístico,
mientras que en el PERT es de tipo aleatorio. El PERT es más apropiado para
actividades que se ejecutan por primera vez y que por lo tanto los tiempos de ejecución
son estimados. Una de las aplicaciones más conocidas del PERT fue el proyecto Apolo,
que permitió a EEUU llevar un hombre a la Luna en el año 1969.
Métodos Estocásticos: Tiene como factor común el que permiten modelar situaciones que
tienen una naturaleza inherentemente aleatoria o estocástica
• Simulación: Este método de tipo descriptivo se usa en situaciones en que se conoce un
proceso mediante una descripción aleatoria de sus subprocesos, mediante
distribuciones de probabilidades. Se hace “Funcionar” muchas veces el proceso en
base a la aleatoriedad conocida, obteniéndose información estadística de interés que
describe los posibles resultados del proceso. Las simulaciones son ampliamente
utilizadas en estudiar procesos existentes para lograr su optimización, así como analizar
el diseño de nuevas plantas industriales (cantidad y ubicación de líneas de producción,
cuellos de botella, producción por período de tiempo, etc..)
• Inventarios: Este tema se enmarca en la minimización de costos de la operación de las
empresas; se trata de minimizar el nivel de inventarios de materias primas, productos
semielaborados y finales, pero sin que esto produzca frenos en línea de producción ni
retrasos en las entregas a los clientes. Dos técnicas ampliamente usadas son el JIT
(Just in Time, desarrollada en Japón por Taiichi Ohno de la empresa Toyota) y el MRP
(Materials Requirement Planning). Los inventarios son un tema central en el análisis de
las cadenas logística que se generan entre las empresas; la actual tendencia es la
estrecha colaboración entre el proveedor y el cliente, usando la internet como canal de
comunicación.
• Líneas de Espera: Este tema se enmarca en la operación de empresas de servicios en
que se tiene por una parte clientes que demanda un servicio y por otra parte servidores.
La interacción de ellos genera una o más colas, cuyo largo será básicamente función
de la tasa de llegada de los clientes y de la velocidad y cantidad de servidores. Como
ejemplo tenemos la operación de un puerto que puede tener uno o más muelles, cada
uno de ellos con su costo inicial y el costo de operación; en este caso será de gran
interés el tiempo que los buques deben esperar para ser atendidos y por otra parte el
tiempo que demora la carga o descarga, otros ejemplos puede ser las operaciones en
un Aeropuerto donde se forman colas de aviones tanto para aterrizar o despegar
usando la pista o los clientes de un supermercado que pasan por caja.
• Cadenas de Markov: En este caso se trata de modelar un sistema que puede estar en
uno de entre varios posibles estados en un determinado período de tiempo. El sistema
puede progresar desde un estado a los restantes (en el siguiente período de tiempo)
con distintas probabilidades. Este puede ser el caso de un equipo o maquinaria que
puede estar operativo con restricciones o con fallas.
Ejemplo de Modelamiento de Sistemas, por Resolución Gráfica
El conjunto de puntos del plano que satisfacen todas las restricciones en un modelo de
programación lineal, se denomina región factible. Los puntos de esta región cumple con todas
las restricciones o limitantes impuestas, y por otro lado la región factible contiene todas las
posibles soluciones. Generalmente, a medida que se agregan restricciones disminuye el
tamaño de la región, pudiéndose llegar a la situación que no exista una región factible.
Después de determinar la región factible y conociendo en especial los vértices de ella (dado
que los óptimos de producirán en los vértices), es necesario determinar el vértice que maximice
o minimice la FO. Esto se realiza dibujando la línea recta que representa la FO, para distintos
valores de esta, e identificando el vértice en la región factible donde se maximiza el valor de la
FO dibujada. Se puede generar dos tipos de soluciones:
1. La línea recta asociada a la FO se maximiza en un vértice de la región factible, con
lo cual la solución óptima es única.
2. La línea recta asociada a la FO se maximiza en un segmento de la frontera de la
región factible (arista), la solución óptima es múltiple y abarca todos los puntos del
segmento. Este es un caso menos frecuente que el anterior.
También es posible que:
1. No exista una región factible
2. La región factible no limite el valor de la FO, pudiendo crecer (caso maximización) o
disminuir (caso minimización) en forma indefinida.
Ejemplo:
Un fabricante manufactura dos productos A y B. Los productos A aportan con 3 unidades
monetarias a los beneficios, mientras que los productos B lo hacen con 2 c/u. La gerencia
desea establecer el plan de producción semanal que maximice el beneficio, dado que toda la
producción ofertada se puede vender sin problemas de demanda.
Solución:
Función Objetivo: La función a maximizar corresponde a los beneficios que reportan cada
producto, en el caso del producto A son de 3 unidades y del producto B son 2 unidades, por lo
cual la función queda definida como;
Resolución Gráfica
2. Se marca en dichos ejes una escala numérica apropiada a los valores que pueden
tomar las variables de acuerdo a las restricciones del problema. Para ello en cada
restricción se hacen nulas todas las variables excepto la correspondiente a un eje
concreto, determinándose así el valor adecuado para dicho eje. Este proceso se
repite para cada uno de los ejes.