Unidad 1 Introduccin a la

investigacin de operaciones
1.5 Metodologa para modelacin.
1.6 Formulacin de problemas lineales ms comunes.
 Modelo
Segn una de las definiciones ms simples de modelo es la
propuesta por Colin Lee (1972)
Un modelo es una representacin de la realidad
Pidd (1996) propone la siguiente definicin mucho ms
completa:
Un modelo es una representacin explcita y externa de
parte de la realidad como la ven las personas que desean
usar el modelo para entender, cambiar, gestionar y
controlar dicha parte de la realidad
 De esta definicin se pueden extraer muchas reflexiones
interesantes sobre los Modelos y su uso en Investigacin de
Operaciones. Quiz la ms relevante es que los modelos son
representaciones (no son la realidad, que, por cierto, se
asume que existe).
En palabras de George Box (1987)
Bsicamente todos los modelos son errneos, aunque
algunos son tiles
Desgraciadamente el ser humano tiende a confundir el
modelo con la realidad. En un proceso el ser humano tiende a
crear modelos y tergiversar la realidad hasta que esta se
adapta a ellos. Pero eso es un defecto de la mente humana,
no del proceso de modelar.
 Los modelos son explcitos se construyen manejan y modifican
como tales. Y aunque no se debe confundir el modelo con la
realidad, el modelo debe tener una imagen fsica sobre la que los
diferentes actores puedan opinar.
Los modelos representan parte de la realidad. Afortunadamente la
realidad es siempre ms compleja que cualquier modelo por
sofisticado que ste sea. El modelador discrimina qu aspectos son
relevantes y cules no, en funcin del objetivo que pretende
alcanzar
Los modelos, al representar externa y explcitamente parte de la
realidad, permiten fundamentalmente entender. Una etapa
bastante habitual en el ciclo de vida de un modelo exige, tras uno
(o varios) intentos de modelado, cambiar de herramienta de
modelado, puesto que el mejor entendimiento del problema
provoca cambios radicales en la percepcin de la realidad
 La inteligencia de la realidad a travs del modelo, permitir
asesorar sobre la oportunidad de cambios en la realidad
modelada. Dichos cambios sern ms adecuados cuantos ms
aspectos de la realidad se hayan podido modelar.
 Para qu sirve un modelo?
Se pueden definir tres mbitos de utilidad de los modelos en la Investigacin de
Operaciones:
o Aprender / Entender
o Implementar en una PC
o Tomar decisiones
Aprender/ Entender. Es habitual que para desarrollar un modelo se tenga que acceder
a informacin a la que nunca se le habra prestado atencin. Asimismo es comn que la
generacin de modelo haga aparecer datos reales y contradictorios entre diferentes
elementos de la realidad.
Una vez construido el modelo, se puede utilizar su ejecucin para conocer como el
sistema acta y reacciona.
Adems el modelo, como representacin externa y explcita, puede permitirnos conocer
errores y fundamentalmente (de)mostrarlos. De tal modo que el responsable del error
pueda reconocer sus equivocaciones sin que nadie tenga que decrselo a la cara (lo
dice la TICs).
 Implementar en una PC. La automatizacin de procesos exige el modelado previo. Si
se desea gestionar la informacin que genera una empresa, o implementar un sistema
de gestin de recursos humanos es necesario realizar un modelo de dicha empresa que
comprenda de la manera ms eficiente posible toda la informacin vinculada. Cuanto
ms general sea el modelo, mayor ser la cantidad de empresas a las que se las podr
aplicar el mismo software.
Del mismo modo la utilidad de los modelos de Programacin de Produccin viene
justificada, en gran medida, por la capacidad de stos de ser implementados y resueltos
mediante sistemas informticos que puedan automatizar el proceso de toma de
decisin.
Tomar decisiones. Los modelos construidos permiten mediante su resolucin ayudar a
la toma de decisiones generando soluciones ptimas dado un objetivo establecido.
Asimismo pueden ser utilizados para evaluar el impacto de tomar decisiones, antes de
tomarlos, y de este modo elegir la que ms se ajuste a la solucin.
Pero adems, desarrollar el modelo, ejecutarlo y analizar las soluciones permite
objetivar el proceso de anlisis, permite pintar una realidad que todos tienen que
aceptar, o aportar datos que mejoren el modelo. De este modo, al objetivar el proceso
de anlisis, los participantes en el proceso de toma de decisiones entran en una
dinmica de objetivacin y aporte de datos, que simplifica y favorece el propio proceso
y su resultado.
Ciclo de vida de la construccin de un modelo

1. Definir el Problema. Esta fase incluye entender el problema y

acordar con el cliente los resultados a obtener.
2. Modelar y Construir la Solucin. Esta fase incluye definir el
tipo de tcnica a utilizar, generar el modelo (implementarlo
informticamente si es el caso) y por ltimo validarlo.
3. Utilizar la Solucin. Un modelo perfecto que no se utilice es
un modelo perfectamente intil.
Ser capaz de implementar el modelo de tal manera que el cliente
lo utilice, y mantener un concreto sistema de actualizacin son
los dos elementos bsicos de esta fase.
1. Definir el problema
Entender el problema: Hay que estructurar el problema para
entenderlo. Cualquier herramienta es buena. En ocasiones
con esta etapa el problema a resolver queda resuelto. Y en
general tambin ocurre que el primer problema planteado no
era el problema real.
Acordar con el cliente los resultados a obtener. No significa
necesariamente que el cliente deba definir el resultado
concreto del trabajo. Pero es interesante conocer si pretende
una respuesta del tipo s o no o una hoja Excel, por ejemplo.
2. Modelar y construir la solucin.
Definir el tipo de tcnica. La decisin del tipo de tcnica que
mejor se ajusta al problema puede ser revocada en cualquier
instante, pero da por perdido todo el trabajo anterior.
Esto incluye el anlisis de datos disponibles y resultados
requeridos.
Generar el modelo. Esta etapa incluye estimar los parmetros
para modelar o calcular resultados, adems de dar forma
fsica al modelo. En este punto es de destacar la aplicacin
del principio Ir paso a paso. Esto implica abordar
escalonadamente los diferentes aspectos de la realidad que se
pretenden modelar.
 Validar el modelo. Decidir si el modelo vale para algo, si se
puede usar y si el cliente lo encontrar aceptable.
Fundamentalmente esta fase exige comprobar que se
comporta como se pretenda que se comportara.
3. Utilizar la solucin.
Implementar el modelo. Trabajar con el cliente para poder
extraer los mximos beneficios del trabajo realizado.
Actualizar el modelo. Es evidente que si la realidad es
cambiante el modelo debe adaptarse a las nuevas
circunstancias de manera continua si se pretende que siga
teniendo utilidad
Algunos principios bsicos para tener xito
en el modelado
Aunque como se ver posteriormente existen mltiples tipos
de modelos (y por tanto de procesos de modelado) se
pueden extraer algunos principios generales tiles en
cualquier caso:
Los Modelos han de ser simples, su anlisis debe ser complejo
Ir paso a paso
Usar analogas y similitudes
Los datos disponibles no deben conformar el modelo.
Modelar es explorar.
Modelos matemticos
Los modelos matemticos son modelos formales que utilizan
el lenguaje de las matemticas para describir un sistema,
expresando parmetros, variables, relaciones.
La caracterstica comn que comparten todos los modos de
modelar matemticamente es que representan la realidad
mediante variables y parmetros (y algunos otros artificios
como funciones o conjuntos). De este modo la realidad
queda cuantificada.
 Los modelos de Programacin Matemtica se distinguen por
que representan la realidad mediante funciones. Estas son
combinacin de variables y parmetros en forma de
restricciones y/o funciones objetivo.
En general, las restricciones se deben respetar y las funciones
objetivo establecen la diferencia entre una solucin y otra
mejor.
Este tipo de modelos matemticos pertenecen al grupo de los
modelos normativos (qu indican el camino a seguir) frente
a la categora de los descriptivos (que describen la situacin
actual o futura).
Clasificacin de modelos matemticos
Una clasificacin de los modelos de programacin
matemtica podra tener en cuenta las siguientes
caractersticas:
Estructura, objetivos y restricciones (lineales o no-lineales)
Caractersticas de las Variables (Reales, Discretas -Enteras-,
Binarias)
Certidumbre de los Parmetros (Ciertos e Inciertos)
Nmero de Objetivos (Ninguno, Uno o ms de Uno)
Nmero de Restricciones (Ninguna, Ms de Cero)
 Programacin Lineal
Programacin Lineal Entera
Programacin Estocstica
Programacin No-Lineal
Componentes de un modelos matemtico
Los modelos matemticos tienen dos componentes bsicos:
Datos:Valores conocidos y constantes.
Variables: Valores que se calculan.

Mediante la combinacin lineal de los mismos se generan:

Funcin Objetivo que debe minimizarse o maximizarse.
Restricciones que establece lmites al espacio de soluciones.

Tanto la funcin objetivo como las restricciones se expresan

matemticamente mediante el uso de variables o incgnitas. Se
pretende definir unos valores a dichas variables de tal modo que se
obtiene la mejor valoracin de la funcin objetivo mientras se
cumplen todas las restricciones.
 En su formulacin bsica los modelos matemticos tienen
una funcin objetivo y una o ms restricciones. Sin embargo
existen excepciones como:
Mltiples Objetivos
Objetivos No existentes
No existencia de restricciones
Mltiples objetivos
Un modelo de Programacin Matemtica exige una nica
funcin objetivo que tiene que ser maximizada o minimizada.
Esto sin embargo no implica que no se puedan abordar los
problemas con mltiples funciones objetivo.
Objetivos no existentes
En ocasiones al plantear el problema es difcil establecer un
objetivo para el problema, ms all de encontrar una solucin
que satisfaga las restricciones. En ese caso es conveniente fijar
un objetivo sencillo ligado a una nica variable. Aunque la
experiencia muestra una y otra vez, que una vez se obtiene
una solucin factible el usuario acaba encontrando un modo
de distinguir una solucin de otra peor.
Optimizacin de soluciones.
Los problemas de optimizacin sin restricciones pretenden
minimizar (o maximizar) una funcin real f(x) donde x es un
vector de n variables reales. Es decir se buscan un x* tal que
f(x*) f(x) para todos los x cercanos a x*
En el caso de un problema de optimizacin global, el x*
buscado es el que minimiza f para todo el espacio xRn