Concepto de modelo

¿Qué es un modelo?
Dada una situación real de cualquier índole que contenga objetos o sucesos y
relaciones entre ellos, fijas o variables, se llamará modelo a una conversión de
esa situación mediante objetos matemáticos que los representen conservando
las condiciones, restricciones, conexiones y relaciones entre los objetos
originales. Experimentar con el modelo matemático permite arribar a
soluciones en la teoría que luego podrán ser implementadas en el caso real.
Obedeciendo a la situación problemática planteada y
al objetivo buscado, los modelos pueden servir para
predecir el valor de las variables en el futuro, hacer
hipótesis y evaluar los efectos de una determinada
política o actividad, entre otros. Taha, H.
(2004). Investigación de operaciones. México, MX:
Pearson Educación.
Un caso práctico de modelo

Consideremos por un momento la situación real de la empresa Omega, que

necesita contratar, antes de comenzar sus actividades, una empresa telefónica.
En el mercado hay dos alternativas: la que ofrece la compañía Épsilon y la de
la compañía Delta, con distintas ofertas que varían sus precios según la
cantidad de minutos aproximados de tiempo de comunicación, así como un
cargo fijo mensual por el servicio de internet.

La primera, Épsilon, tiene un costo fijo mensual de $900, y factura $1,50 por
minuto de comunicación. En la compañía Delta, el costo fijo mensual es más
elevado, asciende a $1500, pero el costo por minuto es de solo $0,90.

Mediante la modelización de dichas alternativas a través de funciones lineales,

se podrá elegir la que resulte más conveniente para la empresa según los
minutos de comunicación que se estime consumir, así como el servicio de
internet que se ajuste a su necesidad. En próximos apartados veremos la
resolución efectiva de este caso, pero empecemos por interpretar los
conceptos vistos en este caso concreto.
Características de un modelo matemático
Los modelos matemáticos pueden variar en cuanto a su complejidad, pero
todos ellos tienen un conjunto de características básicas:

Variables: Son los conceptos u objetos que se busca entender o analizar.

Sobre todo, con respecto a su relación con otras variables. Así, por ejemplo,
una variable puede ser el salario de los trabajadores y lo que queremos
analizar son sus principales determinantes (por ejemplo: años de estudio,
educación de los padres, lugar de nacimientos, etc.).

Parámetros: Se trata de valores conocidos o controlables del modelo.

Restricciones: Son determinados límites que nos indican que los resultados
del análisis son razonables. Así, por ejemplo, si una de las variables es el
número de hijos de una familia, una restricción natural es que este valor no
puede ser negativo ni contener fracciones de la unidad.

Relaciones entre las variables: El modelo establece una determinada

relación entre las variables apoyándose en teorías económicas, físicas,
estadísticas, etc.

Representaciones simplificadas: Los modelos matemáticos se caracterizan

por permitir representar las relaciones entre los datos y las variables
involucradas mediante ecuaciones, fórmulas o funciones matemáticas.

Tabla 1: Características de un modelo matemático que represente el caso

1.1.3
TÍTULO CONTENIDO
 Cantidad de minutos de comunicación
telefónica (representados con la variable
independiente x).
VARIABLES  Costo final del abono mensual
(representado por la variable dependiente
y o F(x)).

 Costo del minuto de cada empresa

(representado por a en la función lineal).
PARÁMETROS  Cargo fijo mensual (representado por b
en la función lineal).

 La cantidad de minutos debe ser positiva

(x > 0).
RESTRICCIONES  La cantidad de minutos debe ser entera (x
ϵ Z).

RELACIONES ENTRE  Costo final del abono mensual de la

VARIABLES primera empresa: F(x) = a1 × x + b1
 TÍTULO CONTENIDO
 Costo final del abono mensual de la
segunda empresa: G(x) = a2 × x + b2

 Valores de x e y para los cuales ambas

REPRESENTACIONES alternativas coinciden: a1 × x + b1 = a2 ×
SIMPLIFICADAS x + b2

El arte del modelado

Modelo y realidad

La realidad es compleja e imposible de ser representada en su totalidad; no

obstante, para poder tomar decisiones de manera racional es necesario conocer
las posibilidades de las que disponemos y de sus efectos.

Los modelos son transformadores de esa complejidad en análisis y cálculos

que permitan aprehender la realidad para dar solución a los problemas que en
ella se generan. El arte de crear modelos requiere mucha experiencia, pero
también técnica y un poco de filosofía al reconocer que los modelos siempre
son representaciones de una realidad que asumimos que existe y es percibida
de modo diferente por diferentes actores en función de sus necesidades.
Propiedades en el arte del modelado
Cuando se diseña un modelo, se crea una herramienta robusta y efectiva que
responda a la problemática planteada sin fisuras. Para ello debe construirse
dotándolo de un conjunto de propiedades, entre las que se pueden destacar:
 Simplicidad: uno de los objetivos principales de un modelo es
simplificar la realidad para poder entenderla mejor.
 Objetividad: no debe presentar sesgos ni teóricos ni de los prejuicios o
ideas de sus diseñadores.
 Sensibilidad: es preciso que refleje los efectos de pequeñas
variaciones.
 Estabilidad: el modelo no puede sufrir alteraciones significativas
cuando hay cambios pequeños en las variables.
 Universalidad: debe ser aplicable a varios contextos y no solo a un
caso particular.
Clasificación de los distintos tipos de
modelos
Los distintos modelos que podemos construir para la representación de una
situación real pueden clasificarse de varias maneras, de acuerdo con alguna
característica particular. Para el desarrollo de este curso, una clasificación que
resulta útil es la de modelos descriptivos y normativos.
Modelos descriptivos Los modelos descriptivos incluyen las técnicas de
modelado que no poseen la definición de estructuras matemáticas que definen
una solución como la deseable para ser implementada. Ejemplos de estos
modelos son los de cola (línea de espera) y los modelos simulación.
En el caso práctico de 1.1.3, un modelo descriptivo podría armarse para
simular el tiempo de espera de los clientes para ser atendidos.

Modelos normativos
+Se denominan así aquellos modelos en los que es posible una formulación
matemática concreta del problema, que, en su mayoría, se realiza a través de
una función o fórmula con sus restricciones. Dentro de este grupo, están los
modelos de optimización, como los de programación matemática, donde es
posible encontrar una solución concreta del modelo. La dificultad en los
modelos de optimización está en la construcción del modelo.
Dentro de la clasificación de modelos matemáticos, se encuentran estos
modelos, y el caso 1.1.3 podría considerarse como uno de ellos, ya que, como
veremos, es posible encontrar la solución optimizando una función.

Modelos determinísticos y estocásticos

+Los modelos determinísticos y estocásticos son aquellos en los que cada
grupo de variables está determinado por los parámetros del modelo y por los
estados anteriores. Para un conjunto de parámetros de entrada, un modelo
determinista se comporta siempre igual.

Por su parte, los modelos estocásticos se caracterizan porque sus variables se

muestran por distribuciones de probabilidad y, ante esto, el modelo incluye
aleatoriedad o incertidumbre.
Si la empresa Omega tiene que tomar una decisión bajo incertidumbre en la
que las posibilidades dependen de una distribución probabilística, el modelo
que se construiría sería estocástico.
Modelos lineales y no lineales
+El desarrollo de la teoría y de las técnicas de programación lineal fue uno de
los grandes avances científicos de mediados del siglo pasado. Los modelos
lineales son unos de los más utilizados a la hora de modelar una situación real,
por lo que se han convertido en el estándar para muchos de los problemas que
enfrentan las organizaciones. Así se denominan a aquellas situaciones
factibles de ser representadas por funciones lineales expresadas
matemáticamente como F(x) = a × x + b, cuyos gráficos asociados son rectas.

El motivo principal para la elección de este modelo es su simplicidad a la hora

de encontrar soluciones al problema. Un modelo lineal “compatible” (que las
restricciones no generen un conjunto vacío) siempre tiene solución, por lo que
es posible hallar la solución óptima del problema.

Otro motivo por el cual el modelo lineal es muy utilizado es que muchos
modelos no lineales pueden “linealizarse”, es decir, aproximar las relaciones
entre las variables y las restricciones del problema por funciones lineales.
Cabe destacar que en estos casos suelen perderse aspectos relevantes del
problema.
Veremos en la próxima lectura cómo el caso práctico presentado en 1.1.3 se
resuelve trabajando con sistemas lineales que arrojan una solución concreta al
modelo y dan soluciones según la cantidad de minutos de comunicación
telefónica que se espere consumir.

Modelos de simulación
+En cierto modo todos los modelos se valen de la simulación, entendiendo por
esto una representación de la realidad. No obstante, se denominan
específicamente así a los diseñados en problemas cuya complejidad impide
describirlos o resolverlos mediante ecuaciones matemáticas ordinarias.
Generalmente, son descriptivos no normativos.

Existe una enorme variedad de modelos de simulación empleados en múltiples

disciplinas, y son asistidos por métodos computacionales que aceleran los
cálculos y minimizan considerablemente los márgenes de error considerando
muchísimas alternativas en solo segundos.

Cuando Omega necesite generar ficticiamente una cantidad determinada de

clientes al azar, seguramente recurrirá a una simulación de datos aleatorios
que se transformarán en las características de los potenciales clientes y esto le
permitirá considerar innumerables alternativas.

No siempre es necesario un modelo matemático

Existen algunas situaciones o problemas que se presentan en una organización

en la que no es necesaria la construcción de un modelo matemático para poder
resolverlo. Después de la correcta definición del problema, no se debe pasar
inmediatamente a la construcción de su modelo matemático. Primero se debe
analizar detalladamente e intentar algunos métodos más sencillos para la
resolución, como promedios, histogramas, etcétera. En algunos casos, podrá
encontrarse una solución de sentido común a la que llegaremos a través del
análisis detallado de la situación.

Como el factor humano tiene mucho peso, tanto en el problema como en su

solución, algunos estudios psicológicos (como el comportamiento) pueden
resolver la situación. Veamos ejemplos donde no es necesario un modelo
matemático:

Al atender quejas sobre un servicio lento de elevadores en un edificio de

oficinas grandes, se percibió en un principio que la situación era un problema
de línea de espera que podría requerir el uso de análisis matemático de colas o
de simulación. Sin embargo, después de estudiar el comportamiento de las
personas que se quejaban, el psicólogo del equipo de investigación de
operaciones sugirió instalar espejos de cuerpo entero en la entrada de los
elevadores. Casi por milagro desaparecieron las quejas, porque se mantuvo
ocupada a la gente examinándose a sí misma y a los demás mientras
esperaban al elevador.

Antes de embarcarse en un modelado matemático complicado, el equipo de

investigación de operaciones debe aplazar la posibilidad de usar ideas
“agresivas” para revolver la situación. La solución del problema del elevador
con la instalación de espejos tiene más base en el estudio del comportamiento
humano que en el modelado matemático. También es más sencillo y menos
costoso que cualquier otra recomendación que se pudiera haber obtenido con
un modelo matemático.

En un estudio del registro en las instalaciones en un gran aeropuerto inglés,

un equipo de consultores de Estados Unidos y Canadá aplicó la teoría de colas
para investigar y analizar la situación [de check-in de pasajeros próximos a la
salida de sus vuelos]. Parte de la solución fue usar letreros bien ubicados,
anunciando que si la salida de los pasajeros fuera en los próximos 20 minutos,
pasaran a la cabeza de la fila y pidieran servicio de inmediato. La solución no
tuvo éxito porque los pasajeros, al ser ingleses en su mayoría, estaban
“condicionados a un comportamiento muy estricto en las filas” y en
consecuencia se rehusaban a pasar frente a otros que esperaban en la fila.

Las soluciones tienen su base en las personas y no en la tecnología. Toda

solución que no tenga en cuenta al comportamiento humano probablemente
fallará. Aun cuando la solución matemática del problema del aeropuerto
británico pudiera haber sido razonable, el hecho de que el equipo de
consultores no percibió las diferencias culturales entre Estados Unidos e
Inglaterra (los estadounidenses y canadienses tienden a ser menos formales)
produjo una recomendación ineficaz.