You are on page 1of 10

PASOS GENERALES Y TECNICAS DE CONSTRUCCION DE MODELOS .

CONCEPTOS BSICOS PARA LA ELABORACIN


DEMODELOS
Introduccinyresumen
GranpartedelanlisisdeIO/CAcomienzaconmodelosdesistema
quesonrepresentacionessintticasdesistemasfsicos/operativos.El
modelo de sistema relaciona las variables que afectan del
rendimientodelsistemaconunaovariasmedidasdedesempeode
sistemas,enformalgica.Experimentandoconelmodelopueden
explorarselosefectosdediversasdecisionesdeadministracin.
Losresultadosanalticosqueseobtienendelmodelosiempredeben
templarse coneljuicio experimentado, yaquehabitualmentehay
factores que no pueden incorporarse al modelo. No obstante, el
anlisis de un sistema por medio de la aplicacin de un modelo
razonable muchas veces sirve de elemento valioso para las
decisionesdegestin.Sibienelmodelodeunsistemapuedeasumir
muchas formas, lo habitual es que incluya las relaciones lgicas
entrelasvariablesqueafectanelrendimientodelsistemayalguna(s)
medida(s)dedichorendimiento.Confrecuencia,estasrelacionesse
expresan en forma matemtica. Modificando los valores de estas
variables en las relaciones, el gerente o el analista pueden
determinarelefectodeunavariedaddecondicionessobrelaeficacia
operativadelsistemaquedescribeelmodelo.
LaIO/CAabordaelprocesodetomadedecisionesprincipalmente
por medio de modelos matemticos. El uso de modelizacin
matemtica se ha extendido a los sectores pblico y privado,
creciendorpidamenteconlaaltadisponibilidaddelaPC.
Los profesionales de la IO/CA ya hace tiempo sostienen que el
sistemabajoestudioysuscaractersticasoperativasdebenserlos
quedictenelabordajedemodelizacin,ynoquelafamiliaridadque
tiene el analista con la modelstica sea la que dicte su propia
descripcindelsistema.Estoesfcildedecirperobastantedifcilde

1
2
3
4
5

1
2

lograr,msalldesurealveracidad.Creemosqueunaperspectiva
interpretativaconceptualmenteorientadaesdedefinidautilidadpara
elanalista,ensubsquedadeunmodeloquedescribaelsistema
bajo estudio lo ms exactamente posible. En el proceso de
modelizacinsedebeconsiderarlosiguiente:
Hay que ver, pero no alcanza; luego hay que destinar tiempo a
observar.
Hayquepensar,peronoalcanza;luegohayquedestinartiempoa
razonar.
Hay que darse cuenta de lo que es necesario hacer, pero eso no
alcanza;luegohayquedestinartiempoaentender"cmoyporqu"
ylasconsecuencias.
Tambinhayqueplanearbienlasacciones,peroesonoalcanza;
luegohayquedestinartiempoaimplementar,yquizsadaptar,los
planes.
Ahorahayquecomunicarlealdecisorloquesehahecho,peroeso
noalcanza;luegohayquedestinartiempoainterpretarlologrado,
susignificadoyconsecuencias,paraqueotrostambinpuedanver.
Enesencia,sondoslospuntosdevistapolaressobreelprocesode
modelizacinanalticaenlaIO/CA:
Si se usanapropiadamente, los mtodos darnla nica respuesta
"correcta"alproblemadedecisinyprescribirnelcursodeaccin
quetomarelejecutivo,obien
Los mtodos son innatos y esencialmente intiles; el proverbial
"fuegofatuo",yporesolaspersonas"prcticas"nodebieranperder
sutiempoestudindolos.
Laverdadyaceenalgnlugarentreestasdosopinionesextremas.
LosMtodosCuantitativospuedenresultartilessilograversecon
claridadsulugarcorrectoenelanlisisdeproblemasdedecisin.
LaParteTresdeestesitioWebes"filosfica",porqueunmodeloes
unaabstraccindelarealidadqueanhelamosusarparaentenderla;
loimportanteesquelanocindelarealidaddebeserdelicadamente

ponderadaybalanceadaenunasituacindedecisin.Laexcesiva
simplificacin puede llevar a adoptar malas decisiones. Y si el
modelo construido es demasiado complejo nos puede conducir a
decisionesinoportunas,aligualquearecomendardecisionesqueen
realidadnadiecomprende.Unmodelobienequilibradonospuede
brindarinformacinimportanteytil,abajocosto.Losmodelosno
aparecensimplemente,losmodelosseconstruyen,yestrabajomuy
difcil.
2.1.- MODELOS: CLASIFICACIN
En numerosas ciencias, entre ellas la Economa, se hace
necesario el estudio y anlisis de
fenmenos del mundo real, y por ello se hace necesaria la
aplicacin del mtodo cientfico a este
estudio. Como acabamos de ver con anterioridad una de las
fases de la aplicacin del mtodo
cientfico se basa en la construccin de modelos o
formulacin de hiptesis. En nuestro caso nos
centraremos en la construccin de modelos.
Aunque hay numerosas acepciones y definiciones de un
modelo, hemos elegido la de Aracil (1):
Un modelo constituye una representacin abstracta de un
cierto aspecto de la realidad, y tiene
una estructura que esta formada por los elementos que
caracterizan el aspecto de la realidad
modelada y por las relaciones entre estos elementos".
A partir de este concepto de modelo se pueden obtener
distintas clasificaciones (iconico, analgicos,
simblicos, etc.), sin embargo, solo estamos interesados en
los modelos matemticos, es decir,
los modelos formales basados en la lgica matemtica, y se
basan en un conjunto de relaciones
matemticas (tales como ecuaciones, inecuaciones,
relaciones lgicas, etc.) que se corresponden
con las relaciones del mundo real (tales como relaciones

tecnolgicas, leyes fsicas, restricciones


del mercado, etc.). La importancia de la construccin de los
modelos matemticos en la Economa
es evidente, no obstante vamos a enumerar algunas de ellas
(2):
1.) La construccin de modelos revela, a veces, relaciones
que no son evidentes a primera vista.
Este resultado se alcanza con el mejor conocimiento que se
adquiere cuando se empieza a
modelar, es decir, cuando mejor se va conociendo la realidad
del fenmeno que se intenta
representar.
2.) Una vez construido el modelo matemtico, es posible
extraer de l propiedades y caractersticas
de las relaciones entre los elementos que de otra forma
permaneceran ocultas. Tambin, es
posible representar situaciones complejas que no son
admisibles en otro tipo de modelos, y no
slo es esa posibilidad de modelizacin, sino tambin la de
resolucin del mismo, aunque no sea
una solucin analtica sino numrica (realizada por un
ordenador).
3.) En la mayora de las situaciones econmicas del mundo
real, no es factible experimentar con
la realidad, ya que puede ser prohibitivamente caro, peligroso
hasta, imposible. Por ejemplo, si
se intenta conocer el impacto de la puesta en practica de una
determinada accin de Poltica
Econmica en un determinado pas.
En este caso para evaluar las consecuencias se construye un
modelo donde se puedan analizar
los resultados en diversas situaciones con un coste
prcticamente nulo y sin riesgos sociales ni
econmicos.
Es importante resaltar que un modelo esta realmente definido

por las relaciones que incorpora.


Estas relaciones son independientes de los datos a introducir
en el modelo, ya que un modelo
puede ser usado para diferentes ocasiones y en varios
contextos diferentes.
Aunque acabamos de ver algunas de las ventajas de la
modelizacin, sobre el uso de los modelos
en la economa hay posturas diferentes, por una parte estn
las personas que ponen en tela de
juicio la validez de los modelos, en tanto en cuanto, no son
capaces de cuantificar muchas
instancias de los problemas reales, por ejemplo, el coste o
la utilidad social. Otros niegan su utilidad basndose en el
grado de precisin de los datos a
incorporar al modelo matemtico. Pero frente a estos, en el
otro extremo estn los fervientes
defensores de la modelizacin total para la toma de
decisiones, en este caso convendra resaltar
que la calidad de las respuestas que produce el modelo,
depende obviamente, de la seguridad de
su estructura y de los datos a l incorporados, y que una
excesiva confianza en ellos es peligroso.
No vamos a entrar en esta polmica, sino que lo nico que
queremos es poner de manifiesto que
los modelos deben usarse como una herramienta ms para la
toma de decisiones y que deben
valorarse en su justa medida, ya que difcilmente es
comprensible un problema complejo sin una
mnima modelizacin, aunque tambin hay que reconocer
que no es posible modelar la totalidad
de las situaciones reales.
Con anterioridad nos hemos referido a tipos de modelos
basados en sus formas de representacin
(iconico, analgicos, simblicos), no obstante podemos
establecer otros tipos de clasificaciones de

los modelos matemticos:


Clasificados segn su funcin:
Modelos predictivos: Este tipo de modelos nos informan del
comportamiento de la variable en
un futuro, es decir, lo que debera ser. A este tipo de modelos
corresponden aquellos basados en
tcnicas estadsticas y/o economtricas, es decir, modelos de
previsin.
Modelos evaluativos: Una tcnica evaluativa corresponde a
medir las diferentes alternativas, y
as poder comparar los resultados de ellas. Este tipo de
modelos se corresponden con los
denominados arboles de decisin.
Modelos de optimizacin: Se trata de modelos que tratan
de identificar un optimo (por lo general,
el optimo global ) del problema, es decir, buscan la mejor de
las alternativas posibles. Estos
mtodos son los que estn basados en las tcnicas de
programacin matemtica.
Otra clasificacin de los modelos se basa en la realidad que
pretender modelar, as podemos
hablar de :
Modelos deterministas versus modelos estocsticos. En
los modelos deterministas todos los
datos del problema se conocen con absoluta certeza,
mientras que cuando esto no es as
tenemos los modelos estocasticos. Por lo general los
modelos ms realistas son los modelos
estocasticos, pero tienen la dificultad de poderlos resolver
adecuadamente, y muchas de las
tcnicas aplicables a los modelos estocasticos tratan de
reducir el problema a su versin
determinista para poderlo resolver.
Modelos estticos versus modelos dinmicos. En un
modelo esttico la variable tiempo no

desempea un papel relevante, mientras que en los modelos


dinmicos la variable fundamental,
y de la que dependen las restante variables relevantes.
Adems, la variable tiempo se considera
como una variable continua.
Una vez establecida una serie de clasificaciones de los
modelos, es conveniente plantear una
medida de su solucin, ya que el objetivo de plantear el
modelo es el poderlo resolver y extraer
de la solucin los resultados necesarios para la toma de
decisiones. El nivel de resolubilidad de
los problemas es funcin de tres caractersticas
fundamentales:
a) El tamao del problema: El numero de variables y
ecuaciones que contiene. Cuanto mayor sea
este numero, ms difcil de resolver es.
b) La clase del problema: Lineal, Entero y No lineal, y
adems por ese orden, es decir, los
problemas lineales son "fcilmente" resolubles, mientras que
los no lineales son "intrnsecamente"
difciles de resolver.
c) El tipo de instancias utilizadas: Ciertas o deterministas,
con riesgo (conocemos las probabilidades
de ocurrencia),con incertidumbre (conocemos los
resultamos posibles pero no las probabilidades
de ocurrencia) y turbulencia ( no conocemos nada).
2.2.- FASES DEL PROCESO DE MODELIZACIN
Acabamos de exponer algunas ideas generales sobre los
modelos. Interesa, ahora, resaltar
brevemente cuales son, en general, las etapas a seguir para
llegar a construir un buen modelo:
1.- Fase de Conceptualizacin. Llegar a tener un profundo
conocimiento de la realidad que se
trata de modelar, es decir, ser capaces de representar
conceptualmente el problema sin ningn

tipo de contradicciones lgicas ni de errores de anlisis.


2.- Fase de Formalizacin. Establecer de forma clara y
correcta (desde el punto de vista
matemtico) las relaciones entre los elementos, de tal forma
que, adems, sea fcilmente
entendible y que puedan detectar rpidamente los errores. El
xito de esta fase depende,
obviamente, de que se haya establecido correctamente la
fase anterior.
3.- Fase de Evaluacin . En esta fase, adems de establecer
la forma en la que debe ser el
procedimiento de resolucin a emplear, ser posible
interpretarlo correctamente.
Para la aplicacin practica para modelar un problema de
optimizacin podemos seguir los
siguientes reglas basadas en la experiencia:
a) Anlisis del problema. Buscar o intuir los deseos del
decisor ( a veces no es la misma persona)
de forma que se establezca claramente cual es el objetivo
que se persigue, que limitaciones
existen, etc. Todo ello debe tenerse en cuenta aunque no
este formalizado, sino simplemente una
relacin de las diferentes condiciones .
b) Definicin de las variables, es decir, identificar las posibles
decisiones. Esta es una de las
fases criticas de la modelizacin, por ello es conveniente
prestar mucha atencin a esta definicin.
Esta fase hay que identificar (e interpretar el significado ) y
denominar a las variables. Este
segundo aspecto, aunque puede parecer trivial es tambin de
gran importancia. Hay que
denominar a las variables de forma que sean fcilmente
reconocibles, es decir, que nos indique
que quieren representar. Muchas veces, se denominan a las
variables, por sencillez, x1 , x2 ,

xb , etc., pero estos nombre no nos informan de forma


inmediata de su significado, por ello es
conveniente denominarlas de forma ms coherentes, por
ejemplo, si queremos identificar la
cantidad de madera necesaria para producir mesas la
podramos denominar MADMESA en lugar
de x2. La eleccin del nombre debe ajustarse a las
caractersticas del decisor, y tambin a la
longitud de caracteres admisibles por los programas de
ordenador que resuelven estos problemas,
por lo general seria admisible un nombre de hasta ocho
caracteres. A la hora de identificar las
variables tenemos que tomar en consideracin si las
variables son deterministas o estocasticas,
si son endogenas o exgenas, etc., es decir, ante que clase
de variables vamos a tratar en el
problema.
c) Identificacin y formalizacin de las restricciones. Esta es
tambin una fase importante,
posteriormente
realizaremos algunos comentarios sobre esta fase al hablar
de los problemas no lineales. Se
trata en definitiva de identificar cuales son las limitaciones a
las que esta sujeto el problema, y el
plantearlas matemticamente. A veces esto no resulta muy
sencillo. En esta fase hay que
denominar e identificar a las restricciones con los nombre
adecuados, de forma que sea fcil
interpretar los resultados obtenidos.
d) Por ultimo, hay que identificar la funcin objetivo, es decir,
la cuantificacin de los resultados
que se desean alcanzar. Aunque no en todos los problemas
es inmediato definir el objetivo,
siempre es posible encontrar una funcin que permita evaluar
los resultados de cada una de las

acciones.
Para verificar estas condiciones, seguidamente abordaremos
algunas consideraciones para llegar
a concretar las fases enumeradas anteriormente, estos pasos
son simplemente una derivacin de
las reglas del sentido comn aplicadas a la construccin de
los modelos.
En primer lugar, abordaremos algunos aspectos importantes
sobre los modelos lineales, lo ms
usuales en el campo econmico, para posteriormente ir
aumentando la complejidad va los modelos
discretos y los modelos no lineales.
No obstante, estos principios generales se concretaran para
el caso ms general de los problemas
no lineales.

You might also like