Modelos
El Modelo Cibernético constituye una guía de análisis / diseño, destinada a identificar y tipificar los elementos y el perfil de operación que integran los mecanismos para laregulación y control del funcionamiento de recursos y soluciones de tecnología.
Para estos efectos, el Modelo plantea un perfil genérico de componentes, y de articulación funcional, que es susceptible de aplicar a cualquier forma de estos mecanismos, a fin de establecer la identificación de los elementos que desempeñan cada una de las funciones proyectadas en dicho perfil, y de esta manera valorar su efectividad en las tareas de regulación.
El perfil de composición planteado por el Modelo, considera una segmentación funcional de las instancias de regulación que integra el mecanismo de control, individualizadas con base en su misión específica de actuación ante las diversas vertientes de desviación en el funcionamiento que se pretende regular y controlar.
En este sentido, se proyecta su aplicación a fin de facilitar la incorporación y desempeño de los recursos y soluciones de tecnología dentro de un contexto o entorno de aplicación, con el propósito de procurar la cobertura de los perfiles de utilidad esperados de su funcionamiento por parte de tal entorno.
Modelos matematicos
Estos son de mucha importancia ya que estos expresan en
terminos reales (cifras) como puede ser una ecuacion esta es sencilla, facil de
comprender y facil de manipular por ese motivo son a los que se debe poner
mayor atencion para realizar operaciones en una organizacion.
Cuantitativos y Cualitativos
La investigacion de operaciones se ocupa de la
sistematizacion de modelos cualitativos y de su desarrollo hasta el punto en el
que puedan cuantificarce. Esto significa que la metodologia de la I.O. pueda
cuantificar situaciones cualitativas. Hay muchos problemas que no se pueden
cuantificar debido a uno o mas problemas como tecnicas inadecuadas de medicion,
necesidad de muchas variables, algunas variables desconocidas y excepciones que
son demasiado complicadas para expresarce en forma cuantitativos. Los problemas
de I.O. que se ocupan de las cualidades o propiedades de los componentes se
llaman modelos cualitativos. Cuando construimos un modelo matematico e
insertamos simbolos para representar constantes y variables se le llama modelo
cuantitativo.
Probabilistico y deterministico
Los modelos pueden dividirce en 2 categorias estos son los
probabilisticos y deterministicos. Los modelos que se basan en las
probabilidades y en las estadisticas y que se ocupan de incertidumbres futuras
son llamados probabilistas.Los modelos cuantitativos que no incluyen
consideraciones probabilisticos se les llama modelos deterministicos. Un
ejemplo de estos es la “ganancia nula y el inventario”
Descriptivos y de optimizacion
En diversas ocaciones un modelo se construye sencillamente
como descripcion matematica de una condicion del mundo real. Esos modelos se
llaman “descriptivos” y en el pasado se han usado para poder aprender mas sobre
algun problema, sin embargo en este modelo no se hace un intento para escoger
una mejor alternativa. En cambio cuando se compara con un modelo de
optimizacion, en este se hace un esfuerzo para llegar a la solucion optima
cuando se presentan alternativas, y teniendo un buen uso este suministra la
mejor alternativa de acuerdo con los criterios de entrada.
Estaticos y dinamicos
Los modelos estaticos se ocupan de determinar una respuesta
para una serie especial de codiciones fijas que probablemente no cambiarian
significativamente a corto plazo. Un ejemplo de estos es la programacion
lineal, en la que las restricciones se fijan en terminos de los requerimientos
de tiempo de los productos individuales y de las horas disponibles por turno a
corto plazo. Un modelo estatico data por resultado la mejor solucion basada en
esa condicion “estatica”.
Simulacion y no simulacion
La simulacion es un metodo que comprende calculos
secuenciales estos son realizados a computadora paso por paso, donde puede
producirce el funcionamiento de problemas o sistemas de gran escala. En un
modelo de simulacion los datos pueden ser generados y no generados osea reales.
Los modelos de no simulacio pueden y no usar la computadora, tienen tecnicas
preparadas especialmente para soluciones respectivas tal es el caso de un
modelo de optimizacion.
Formula de la I.O
El modelo de la investigacion de operaciones tiene la
formula de E=f(Xi,Yj) donde E representa la efectividad del sistema Xi
representa las variables del sistema que estan sujetas a control y Yj
representa las variables no sujetas a control.
Modelo Determista
El análisis de decisión proporciona un soporte cuantitativo a los tomadores de decisiones en todas las áreas tales como ingenieros, analistas en las oficinas de planificación, agencias publicas, consultores en proyectos de gerencia, planificadores de procesos de producción, analistas financieros y de economía, expertos en diagnósticos de soportes medico y tecnológicos e infinidad de otras áreas.
Aproximación Progresiva al Modelado: El modelado para la toma de decisiones envuelve a dos partes diferentes, una es el tomador de decisiones y la otra es el constructor del modelo, conocido como el analista.El analista debe asistir al tomador de decisiones en el proceso de decidir. Por lo tanto, el analista debe estar equipado con mas que un conjunto de métodos analíticos.
Los especialistas en la construcción de modelos se encuentran normalmente tentados a estudiar el problema, y luego aislarse a desarrollar un modelo matemático para ser utilizado por el gerente (es decir, el tomador de decisiones.) Desgraciadamente el gerente podría no entender el modelo, por lo tanto podría usarlo ciegamente o simplemente rechazarlo. El especialista podría sentir que el gerente es exageradamente ignorante y poco sofisticado para valorar el modelo, mientras que el gerente podría pensar que el analista vive en un mudo de fantasía de supuestos irreales y de lenguaje matemático irrelevante.
Dichos problemas de mal interpretación y de incomunicación pueden ser evitados si el gerente trabaja en conjunto con el especialista en el desarrollo de; primero un modelo simple que proporcione un análisis crudo pero entendible. Luego que el gerente le ha ganado confianza al modelo, detalles adicionales y una mayor sofisticación pueden ser agregados, quizás de una forma lenta y progresiva. Este proceso requiere la inversión de tiempo por parte del gerente e interés sincero por parte del analista para solucionar los problemas reales del gerente, en vez de tratar de crear y explicar modelos extremadamente sofisticados. Esta construcción progresiva de modelos es comúnmente referida como la aproximación de bootstrapping y es el factor más importante en la determinación de un modelo de decisión de implementación exitosa. Adicionalmente, el acercamiento de bootstrapping simplifica las dificultades del proceso de validación y verificación del modelo.
¿Que es un Sistema?: Los sistemas están formados por partes que son puestas en funcionamiento juntas de una forma particular para obtener un objetivo. La relación entre las partes determina lo que el sistema hace y como funciona en general. Por lo tanto, las relaciones en el sistema son normalmente mas importantes que cada parte individualmente. En general, los sistemas que son construidos como bloques de otros sistemas se llaman subsistemas.
La Dinámica de un Sistema: Un sistema que no cambia es un sistema estático (es decir, determinístico.) Muchos de los sistemas a los cuales pertenecemos son sistemas dinámicos, los cuales cambian a través del tiempo. Cuando nos referimos a que cambian a través del tiempo es de acuerdo al comportamiento del sistema. Cuando el desarrollo del sistema sigue un patrón típico decimos que el mismo tiene un patrón de comportamiento. El sistema será estático o dinámico dependiendo del horizonte temporal que se escoja y de las variables en las cuales se está concentrado. El horizonte temporal es el periodo de tiempo dentro del cual se estudia el sistema. Las variables son valores cambiables dentro del sistema.
En los modelos determinísticos, una buena decisión es juzgada de acuerdo a los resultados. Sin embargo, en los modelos probabilísticos, el gerente no esta preocupado solamente por los resultados, sino que también con la cantidad de riesgo que cada decisión acarrea.
Modelos Probabilísticos
El conocimiento es lo que sabemos. La información es la comunicación de conocimientos. En cada intercambio de conocimientos, hay un remitente y un receptor. El remitente hace común lo que es privado, hace la información, la comunicación. La información se puede clasificar como formas explícitas y tácitas. La información explícita se puede explicar de forma estructurada, mientras que la información tácita es inconsistente e imprecisa de explicar.Los datos son conocidos como información cruda y no como conocimientos en sí. La secuencia que va desde los datos hasta el conocimiento es (observe el siguiente cuadro): de los Datos (Data) a la Información (Information), de la Información (Information) a los Hechos (Facts), y finalmente, de los Hechos (Facts) al Conocimiento (Knowledge) . Los datos se convierten en información, cuando se hacen relevantes para la toma de decisión a un problema. La información se convierte en hecho, cuando es respaldada por los datos. Los hechos son lo que los datos revelan. Sin embargo el conocimiento instrumental es expresado junto con un cierto grado estadístico de confianza (gl).Los hechos se convierten en conocimiento, cuando son utilizados en la complementación exitosa de un proceso de decisión. Una vez que se tenga una cantidad masiva de hechos integrados como conocimiento, entonces su mente será sobrehumana en el mismo sentido en que, con la escritura, la humanidad es sobrehumana comparada a la humanidad antes de escribir. La figura siguiente ilustra el proceso de razonamiento estadístico basado en datos para construir los modelos estadísticos para la toma de decisión bajo incertidumbre.
Proceso de Toma de Decisiones Estadísticas
A diferencia de los procesos de toma de decisiones determinísticas tal como, optimización lineal resuelto mediante sistema de ecuaciones, sistemas paramétricos de ecuaciones y en la toma de decisión bajo pura incertidumbre, las variables son normalmente más numerosas y por lo tanto más difíciles de medir y controlar. Sin embargo, los pasos para resolverlos son los mismos. Estos son:
- Simplificar
- Construir un modelo de decisión
- Probar el modelo
- Usando el modelo para encontrar soluciones:
- El modelo es una representación simplificada de la situación real
- No necesita estar completo o exacto en todas las relaciones
- Se concentra en las relaciones fundamentales e ignora las irrelevantes.
- Este es entendido con mayor facilidad que un suceso empírico (observado), por lo tanto permite que el problema sea resuelto con mayor facilidad y con un mínimo de esfuerzo y pérdida de tiempo.
- El modelo puede ser usado repetidas veces para problemas similares, y además puede ser ajustado y modificado.
Afortunadamente, los métodos probabilísticos y estadísticos para el análisis de toma de decisiones bajo incertidumbre son más numerosos y mucho más poderosos que nunca. Las computadoras hacen disponible muchos usos prácticos. Algunos de los ejemplos de aplicaciones para negocios son los siguientes:
- Un auditor puede utilizar técnicas de muestreo aleatorio para auditar las cuentas por cobrar de un cliente.
- Un gerente de planta puede utilizar técnicas estadísticas de control de calidad para asegurar la calidad de los productos con mínima inspección y menor número de pruebas.
- Un analista financiero podría usar métodos de regresión y correlación para entender mejor la analogía entre los indicadores financieros y un conjunto de otras variables de negocio.
- Un analista de mercadeo podría usar pruebas de significancia para aceptar o rechazar una hipótesis sobre un grupo de posibles compradores a los cuales la compañía esta interesada en vender sus productos.
- Un gerente de ventas podría usar técnicas estadísticas para predecir las ventas de los próximos periodos.
