1
Modelos probabilísticos y
determinísticos para toma de decisiones
y administración de empresas
2024
2
Modelos probabilísticos y determinísticos para toma de decisiones y
administración de empresas
Oscar Antonio Robles Villanueva, Mariel Del Rocío Chotón Calvo, María Silvia Villa
Santillan, Ricardo Antonio Armas Juarez, Mariela Lizety Cordova Espinoza, Ricardo
Martin Gomez Arce
© Oscar Antonio Robles Villanueva, Mariel Del Rocío Chotón Calvo, María Silvia Villa
Santillan, Ricardo Antonio Armas Juarez, Mariela Lizety Cordova Espinoza, Ricardo
Martin Gomez Arce, 2024
Primera edición: Julio, 2024
Editado por:
Editorial Mar Caribe
www.editorialmarcaribe.es
Av. General Flores 547, Colonia, Colonia-Uruguay.
Diseño de cubierta: Yelitza Sánchez Cáceres
Libro electrónico disponible en https://editorialmarcaribe.es/modelos-probabilisticos-y-
deterministicos-para-toma-de-decisiones-y-administracion-de-empresas/
Formato: electrónico
ISBN: 978-9915-9682-4-7
Aviso de derechos de atribución no comercial: Los autores pueden autorizar al público en
general a reutilizar sus obras únicamente con fines no lucrativos, los lectores pueden usar
una obra para generar otra obra, siempre y cuando se dé el crédito de investigación y,
otorgan a la editorial el derecho de publicar primero su ensayo bajo los términos de la
licencia CC BY-NC 4.0.
3
ÍNDICE
PRÓLOGO ............................................................................................................................. 7
CAPÍTULO I ........................................................................................................................ 10
MODELOS PROBABILÍSTICOS ....................................................................................... 10
1. LA INVESTIGACIÓN DE OPERACIONES. .............................................................. 10
1.1 Modelos de la Investigación de Operaciones. .................................................... 12
Gráfico 1.1 ........................................................................................................................ 13
La necesidad de una escala numérica y mesurable.......................................................... 13
Tabla 1.2 ........................................................................................................................... 13
Clasificación de las características. .................................................................................. 13
1.2 La Modelización en la toma de Decisiones. .......................................................... 13
Gráfico 1.2 ........................................................................................................................ 15
Descripción de la Metodología ......................................................................................... 15
Fuente: Carro, (2009). ...................................................................................................... 15
1.3 Aspectos Gerenciales. ............................................................................................ 15
1.4 Algunas diferencias entre el Diseño y la Materialización del Modelo. ................. 18
1.5 Los Modelos. .............................................................................................................. 19
Gráfico 1.3 ....................................................................................................................... 19
Modelos ............................................................................................................................ 19
1.5 Elementos Estructurado para la toma de Decisiones. ............................................ 22
Gráfico 1.4 ........................................................................................................................ 23
Estructuración del Proceso de Toma de Decisiones. ........................................................ 23
1.6 Las limitaciones de la Naturaleza Humana. ........................................................... 25
1.7 Diagramas Causales o de Lazos. ............................................................................ 25
1.8 Modelo Migración Población, Migración, Empleo. .............................................. 26
Diagrama 1.1 .................................................................................................................... 26
4
Diagrama Causal............................................................................................................... 26
1.9 Relaciones Causa-Efecto Modelos de Aplicación. ................................................ 27
Diagrama 1.2 .................................................................................................................... 28
Diagrama 1.3 .................................................................................................................... 28
Población Empleada Positivo. Lazo Migración ............................................................... 28
Diagrama 1.4 .................................................................................................................... 28
Diagrama 1.5 .................................................................................................................... 29
Los Causales. .................................................................................................................... 29
Diagrama 1.6 .................................................................................................................... 29
Lazo Causal Simple. ......................................................................................................... 29
Diagrama 1.7 .................................................................................................................... 31
Dos Ciclos. ....................................................................................................................... 31
1.10 Modelo de la Oferta con retardo. ....................................................................... 31
CAPÍTULO II ....................................................................................................................... 33
EL PROCESO DE TOMA DE DECISIONES ANTE SITUACIONES QUE IMPLICAN
RIESGO E INCERTIDUMBRE. .......................................................................................... 33
2. EL RIESGO. .................................................................................................................. 33
Gráfico 2.1 ........................................................................................................................ 35
Exactitud del Modelo Estadístico. .................................................................................... 35
2.1. De los datos a un conocimiento decisivo................................................................... 35
2.2 Toma de Decisiones Estadística.................................................................................. 37
Diagrama 1.1 .................................................................................................................... 39
Estrategias para la toma de Decisiones............................................................................. 39
2.3 Proceso de Toma de Decisiones. ................................................................................ 39
2.4 Modelos de Decisión Estocásticos. ........................................................................ 41
Diagrama 1.2 .................................................................................................................... 42
Elementos de un Modelo Probabilístico. .......................................................................... 42
2.5 Incertidumbre y Riesgos. ....................................................................................... 42
5
Tabla 2.1 ........................................................................................................................... 43
Modelo de Incertidumbre. ................................................................................................ 43
Gráfico 2.3 ........................................................................................................................ 45
La Relevancia de la Información disminuye la Incertidumbre......................................... 45
2.6 Tomar Decisiones en la Incertidumbre ................................................................. 45
2.7 Consideración de los Riesgos. ............................................................................... 50
2.8 Respuestas con respecto al riesgo y su impacto. ................................................... 51
2.9 Cuando se Evalúa el Riesgo, .................................................................................. 53
2.10 Análisis de Dos Inversiones. .............................................................................. 55
2.11 El Árbol de Decisiones y la Matriz. ................................................................... 57
2.12 Valor Esperado. .................................................................................................. 61
Gráfico 2.4 ........................................................................................................................ 67
Decisión para ABC ........................................................................................................... 67
Gráfico 2.5 ........................................................................................................................ 67
Árbol de decisión reducido para ABC .............................................................................. 67
Gráfico 2.6 ........................................................................................................................ 69
Valor esperado en función de P(S) ................................................................................... 69
Gráfico 2.7 ........................................................................................................................ 70
Decisiones Secuenciales. .................................................................................................. 70
Gráfico 2.8 ........................................................................................................................ 73
Estructurando el Árbol...................................................................................................... 73
CAPÍTULO III ..................................................................................................................... 74
MODELOS DETERMINÍSTICOS ...................................................................................... 74
3. PROGRAMACIÓN LINEAL ....................................................................................... 74
3.1 Determinación de la región Factible. ......................................................................... 77
3.2 Método Gráfico. ..................................................................................................... 80
3.3 Supuesto de Kendall .................................................................................................. 83
3.4 Modelo M/M/1 ........................................................................................................... 84
6
3.5 Características de las Operaciones Deterministas.................................................. 85
3.6 El Modelo M/M/S. ...................................................................................................... 88
3.7 características del Modelo M/M/S .............................................................................. 89
Figura 3.1 se representa el Modelo ................................................................................... 90
3.8 Modelo M/G/1 ............................................................................................................ 91
3.9 Modelo y análisis del Sistema de Cola Actual. ........................................................ 99
Tabla 3.1 ........................................................................................................................... 99
Rendimiento obtenidas con Queuing Analysis „ en el WinQSB . .................................... 99
Tabla 3.2 ......................................................................................................................... 101
Evaluación del Rendimiento ........................................................................................... 101
CAPÍTULO IV ................................................................................................................... 104
LAS CADENAS DE MARKOV ........................................................................................ 104
4.LOS MODELOS DE MARKOV .................................................................................... 104
Figura 4.1 ........................................................................................................................ 107
4.1 La Administración de Proyectos. .............................................................................. 108
Diagrama 4.1 .................................................................................................................. 110
Diagrama de Arco ........................................................................................................... 110
Diagrama 4.2 .................................................................................................................. 110
Actividades en los Nodos. .............................................................................................. 110
Diagrama 4.3 .................................................................................................................. 111
Ejemplo: ......................................................................................................................... 111
Diagrama 4.4 .................................................................................................................. 118
El Margen Libre .............................................................................................................. 118
4.2 La Situación Probabilística. ...................................................................................... 120
4.3 Análisis de las Probabilidades. ................................................................................. 122
CONCLUSIONES .............................................................................................................. 126
BIBLIOGRAFÍA ................................................................................................................ 128
7
PRÓLOGO
Un enfoque progresivo del modelado es esencial en el proceso de toma de
decisiones. Este enfoque involucra a dos partes clave: quien toma las decisiones y quien
construye el modelo, a quien a menudo se le llama analista. El analista juega un papel
crucial al ayudar a quien toma las decisiones durante todo el proceso de toma de decisiones.
Para cumplir eficazmente este papel, el analista debe poseer algo más que un conjunto de
métodos analíticos; también deben poseer una comprensión integral del proceso de toma de
decisiones. El análisis de decisiones ofrece una herramienta valiosa para quienes EMITEN
fallos en una amplia gama de campos, incluidos ingenieros, planificadores, agencias
públicas, gerentes de proyectos, analistas financieros y expertos en diversas disciplinas
médicas y tecnológicas.
Su soporte cuantitativo permite a estos profesionales tomar decisiones informadas
en sus respectivas áreas de especialización. En el campo de la construcción de modelos, los
expertos a menudo se sienten atraídos por investigar a fondo un problema antes de retirarse
a sus propias mentes para construir un modelo matemático para que lo utilice el gerente o la
persona que toma las decisiones, surge un desafío importante cuando el gerente carece de
una comprensión completa de las complejidades del modelo. Esto podría dar como
resultado que el gerente implemente ciegamente el modelo sin comprender sus principios
subyacentes o lo rechace rotundamente. Esta desconexión entre el especialista y el gerente a
veces puede generar una sensación de frustración en ambas partes. El especialista puede
percibir que el gerente está alarmantemente desinformado y carente de sofisticación al
intentar evaluar el modelo, mientras que el gerente puede considerar que el especialista
habita en un mundo de suposiciones poco prácticas y utiliza una jerga matemática compleja
que parece irrelevante para el escenario del mundo real en cuestión.
Estos desafíos de malentendidos y comunicación ineficaz pueden evitarse si el
gerente colabora estrechamente con el especialista en el desarrollo de un modelo básico que
ofrezca un análisis aproximado pero comprensible. Una vez que el gerente se sienta
cómodo con el modelo, se pueden incorporar gradualmente y con cautela más detalles y
una mayor sofisticación. Este procedimiento exige la inversión de tiempo del administrador
y el compromiso genuino del analista para resolver los problemas reales del administrador,
en lugar de intentar crear y explicar modelos excesivamente complejos. Esta construcción
gradual del modelo, a menudo conocida como enfoque de arranque, es el determinante
clave de un modelo de decisión de implementación exitoso, el enfoque de arranque
simplifica las complejidades involucradas en la validación y verificación del modelo. Un
sistema puede definirse como un conjunto de componentes interconectados que funcionan
juntos de manera coordinada para lograr un objetivo específico. Es la interdependencia y la
8
interacción entre estos componentes lo que en última instancia determina el funcionamiento
general y el propósito del sistema. En consecuencia, las relaciones y conexiones dentro del
sistema suelen tener mayor importancia que los componentes individuales por sí solos.
Además, cuando los sistemas se construyen combinando unidades o subsistemas más
pequeños, se les denomina subsistemas dentro del sistema más grande. La dinámica de un
sistema: un sistema que permanece sin cambios se considera estático o determinista. Sin
embargo, la mayoría de los sistemas que encontramos son de naturaleza dinámica, lo que
significa que sufren cambios con el tiempo, estos cambios se basan en el comportamiento
exhibido por el sistema.
Si el sistema sigue un patrón de desarrollo predecible, nos referimos a él como si
tuviera un patrón de comportamiento. El hecho de que un sistema sea estático o dinámico
depende del marco temporal de estudio y de las variables específicas que son el foco del
análisis. El horizonte temporal se refiere al tiempo durante el cual se observa y examina el
sistema, mientras que las variables son los valores ajustables dentro del sistema. En los
modelos deterministas, la evaluación de la calidad de una decisión se basa únicamente en
sus resultados. Sin embargo, en los modelos probabilísticos la evaluación del directivo va
más allá de los resultados y también toma en consideración el nivel de incertidumbre o
riesgo asociado a cada decisión. Para ilustrar la distinción entre modelos probabilísticos y
deterministas, consideremos los reinos del pasado y el futuro.
Cuando se trata del pasado, sin importar nuestras acciones en el presente, no
podemos alterar lo que ya ocurrió. Por otro lado, cuando nos centramos en el futuro,
nuestras elecciones y decisiones tienen la capacidad de ejercer influencia y provocar
cambios, aunque siga existiendo un cierto nivel de incertidumbre. Como directivos, a
menudo nos sentimos cautivados por la oportunidad de dar forma al futuro, dándole mayor
importancia que el análisis y la insistencia en acontecimientos pasados. El concepto de
probabilidad ocupa un lugar importante en el proceso de toma de decisiones, ya sea dentro
de una empresa, el gobierno, las ciencias sociales o nuestra vida cotidiana. Es raro tener
toda la información necesaria disponible al tomar decisiones, y la mayoría de las decisiones
se toman en medio de la incertidumbre.
A diferencia de los procesos de toma de decisiones determinísticas tal como,
optimización lineal resuelta 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, los pasos para resolverlos
son los mismos. El modelo es una representación simplificada de la situación real, no
necesita estar completo o exacto en todas las relaciones. Este se entiende 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
9
puede usarse repetidamente para problemas similares, y además puede ajustarse y
modificarse, afortunadamente, los métodos probabilísticos y estadísticos para analizar la
toma de decisiones en condiciones de incertidumbre son mucho más numerosos y
poderosos que nunca. Las computadoras ofrecen muchos usos prácticos. Algunos ejemplos
de aplicaciones comerciales 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 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 evaluación para entender mejor la analogía entre los indicadores financieros
y un conjunto de otras variables de negocio. Un analista de mercado podría usar pruebas de
significancia para aceptar o rechazar una hipótesis sobre un grupo de posibles compradores
a los cuales la compañía está interesada en vender sus productos, un gerente de ventas
podría usar técnicas para predecir las ventas de los próximos períodos.
10
CAPÍTULO I
MODELOS PROBABILÍSTICOS
1. LA INVESTIGACIÓN DE OPERACIONES.
La investigación de operaciones ha demostrado ser exitosa en muchas organizaciones,
pero todavía hay escépticos que no reconocen su valor, para abordar esto es necesario un
cambio en la forma de enseñar y presentar la Investigación Operativa, enfatizando su
aplicación práctica en las organizaciones. A los directivos, que estaban más alejados de las
matemáticas en el aula que los investigadores, les resultó difícil aplicar estos algoritmos en
situaciones de toma de decisiones de la vida real, la solución manual de un problema de
decisión mediante un algoritmo Simplex puso de relieve la dificultad del proceso, la baja
relación costo/beneficio y la complejidad de las situaciones de la vida real hicieron que los
gerentes prefirieran criterios más heurísticos y descartaran los enfoques matemáticos. Esto
resultó en una división entre la toma de decisiones y la ciencia y la tecnología. La
investigación de operaciones, también conocida como ciencia de la gestión, ha sido un
campo bien establecido durante más de un siglo y sus orígenes se remontan a principios del
siglo XX.
Su prominencia alcanzó su punto máximo al final de la Segunda Guerra Mundial,
cuando el mundo experimentaba una rápida industrialización y una alta demanda. A medida
que las técnicas de investigación de operaciones se aplicaron a las organizaciones, el campo
se expandió más allá de los matemáticos e ingenieros para incluir profesionales en
administración y economía, a medida que los escenarios económicos globales cambiaron
(pasando de una economía basada en la oferta a una basada en la demanda) y entraron en
juego factores adicionales (como la introducción de más restricciones y criterios de
decisión más allá del costo), la efectividad de estos algoritmos comenzó a disminuir ser
cuestionado.
Esta división hizo que los profesionales de la gestión, especialmente los
administradores, perdieran valiosas herramientas para la toma de decisiones. Sin embargo,
la revolución informática cerró esta brecha al permitir que las metodologías y el software
matemáticos fueran accesibles para los usuarios. Las computadoras permitieron la
integración de la ciencia con la toma de decisiones, permitiendo a los gerentes utilizar
enfoques matemáticos y evaluar resultados basados en su conocimiento de la situación. En
pocas palabras, la Investigación de Operaciones se basa en dos premisas fundamentales:
enseñar a las personas cómo modelar y pensar sistémicamente sobre una situación y
proporcionarles una variedad de herramientas informáticas para ayudar a encontrar
soluciones, si bien no pretende ser original en su contenido teórico debido a la gran
cantidad de literatura existente sobre el tema, pretende recopilar diversos artículos, trabajos
y notas.
11
Muchos de estos recursos provienen de la fascinante aldea global de Internet.
Considero que la Investigación Operativa es una herramienta vital para la toma de
decisiones, particularmente para los estudiantes de administración. Son los actores
principales que entienden los entresijos de una organización o de su área específica. Es
fundamental involucrar a los tomadores de decisiones en la construcción del modelo para
asegurar su uso efectivo. La Investigación de Operaciones no se limita a matemáticos o
informáticos; es un campo dinámico y apasionante dentro de la gestión organizacional
donde los futuros profesionales prosperarán. Durante este tiempo, la atención se centró en
encontrar soluciones para sistemas militares complejos y empresas que tomaban decisiones
basándose únicamente en los costos.
El mercado pudo absorber importantes volúmenes de producción, lo que permitió el
desarrollo de técnicas y algoritmos matemáticos para resolver problemas con diversas
restricciones. Estas técnicas fueron ampliamente aceptadas y exitosas en el entorno
económico de la época. Un ejemplo notable es el método Simplex, que fue desarrollado por
G. Dantzing en 1947, este restableció la importancia de la Investigación Operativa en la
gestión, ofreciendo herramientas para ayudar a la toma de decisiones con rapidez y
sencillez, destacó que la preparación e interpretación del modelo siguen siendo tareas
cruciales para quien toma las decisiones.
La investigación de operaciones, también conocida como IO, es un campo que se centra
en la resolución de problemas y la toma de decisiones dentro de las organizaciones, abarca
una amplia gama de industrias, incluidas la manufactura, el transporte, las
telecomunicaciones, las finanzas, la atención médica y el ejército, la IO utiliza un enfoque
científico similar a los campos científicos establecidos, utilizando observación cuidadosa,
recopilación de datos y la construcción de modelos matemáticos para representar problemas
del mundo real. Luego, estos modelos se prueban mediante experimentos para validar su
precisión y eficacia I no sólo implica investigación e investigación científica, sino también
administración práctica y proporcionar conclusiones claras para los tomadores de
decisiones.
Se necesita un punto de vista organizacional, con el objetivo de resolver conflictos de
intereses y lograr los mejores resultados para toda la organización, uno de los objetivos
clave de la IO es encontrar soluciones óptimas para los problemas actuales, considerando
varios factores y perspectivas. Debido a la complejidad y la naturaleza multidisciplinaria de
la IO, requiere la experiencia de personas de diversos orígenes, incluidas matemáticas,
estadística, economía, administración de empresas, informática, ingeniería, ciencias físicas
y ciencias del comportamiento. La colaboración de equipos interdisciplinarios es esencial
para la resolución integral de problemas y considerar todas las implicaciones del problema
en toda la organización. La definición internacionalmente aceptada de IO enfatiza su
aplicación de métodos científicos a problemas complejos en la gestión de grandes sistemas,
incorporando mediciones de factores como el cambio y el riesgo para predecir y comparar
12
decisiones, estrategias o controles alternativos. En última instancia, el propósito de la IO es
ayudar a la gerencia a formular políticas y acciones informadas y respaldadas
científicamente.
1.1 Modelos de la Investigación de Operaciones.
Un enfoque sistemático para la resolución de problemas, con un enfoque en
colaborar como equipo para aprovechar la experiencia de los especialistas de IO en la
evaluación, coordinación e incorporación de conocimientos relevantes proporcionados por
expertos en otros campos, todo con el objetivo de resolver un problema específico.
problema (también conocido como enfoque de grupo de expertos). El proceso de modelado
estructurado juega un papel central en la investigación de operaciones, sirviendo como
actividad principal. Esto nos lleva a preguntarnos si el modelo representa con precisión el
mundo real, si bien el modelo no es un reflejo directo de la realidad, sí incorpora ciertos
elementos. Esto plantea otra pregunta importante: ¿incluye el modelo las partes relevantes
necesarias para resolver el problema de decisión en cuestión? El razonamiento y los
cálculos simbólicos son fundamentales en el proceso de modelado analítico, al igual que en
matemáticas.
Por lo tanto, al igual que cuando se aprende un idioma extranjero, es necesario
desarrollar una comprensión de las matemáticas, ya que es el lenguaje de todas las ciencias,
incluido el proceso de modelado en IO, cuyo objetivo es ayudar a los tomadores de
decisiones. Un modelo mental representa los pensamientos de quien toma decisiones con
respecto a la realidad, esencialmente exteriorizando su percepción, los matemáticos utilizan
símbolos y notaciones, incluidos números, para crear modelos, así, tenemos tres conceptos
distintos: la realidad, el modelo mental y su representación. En todas sus formas, el
modelado analítico es un proceso de pensamiento estructurado que implica reconocer y
articular un problema, y posteriormente cuantificarlo traduciendo palabras en expresiones
matemáticas, el modelado sirve como un proceso de pensamiento enfocado y secuencial
que ayuda a comprender los problemas de decisión.
Al adoptar un enfoque científico, los administradores pueden hacer predicciones
precisas incluso en situaciones sobre las que no tienen control total, la información
cualitativa se puede caracterizar y procesar mediante asignación numérica, utilizamos
varias escalas numéricas y mensurables para cuantificar el mundo. Podemos obtener una
comprensión del mundo identificando relaciones y utilizando manipulación, comparación,
cálculo y otros métodos, y luego usando las mismas escalas para adaptar nuestros hallazgos
al mundo real.
13
Gráfico 1.1
La necesidad de una escala numérica y mesurable.
Fuente: Carro, (2009).
Tabla 1.2
Clasificación de las características.
Fuente: Carro, (2009).
1.2 La Modelización en la toma de Decisiones.
El procedimiento general para el proceso de toma de decisiones sigue los pasos bien
conocidos descritos en la teoría de la gestión. Estos pasos incluyen describir el problema,
recomendar una solución y monitorear el problema mediante la evaluación y actualización
continua de la solución estratégica, con el fin de adaptarse a las condiciones cambiantes del
negocios importante señalar que siempre existe un circuito de retroalimentación entre estos
tres pasos. Cuando se identifica un problema, es fundamental analizarlo y comprenderlo
antes de describirlo con precisión por escrito. Esto puede implicar el desarrollo de un
modelo o marco matemático que represente con precisión la realidad, con el fin de idear
posibles soluciones.
14
Es importante validar el modelo antes de ofrecer una solución. Este proceso requiere la
capacidad de considerar múltiples perspectivas para acercarse lo más posible a la realidad.
Combinando diferentes modelos desde diversas perspectivas, se puede lograr una mejor
comprensión del problema. Es esencial ser específico y no abstracto en la toma de
decisiones. Identificar los factores que influyen en la decisión y determinar qué está bajo
control y qué no es crucial. A menos que el problema haya sido claramente formulado por
el científico de la administración y aceptado como propio por quien toma las decisiones, es
probable que la solución estratégica sea rechazada.
En algunos casos, la solución estratégica a un problema existente puede crear nuevos
problemas, el proceso de modelado en IoT por sí solo no puede resolver los problemas de
decisión; su principal objetivo es generar ideas y fomentar la creatividad para ayudar a los
responsables de la toma de decisiones a tomar la decisión "correcta". El aspecto más crítico
de la toma de decisiones es comprender el problema. Generalmente la formulación de un
problema es más importante que su solución. De hecho, si uno puede comprender el
problema, a menudo proporciona ideas sobre cómo resolverlo. En relación con la
importancia de la comunicación en el modelado de IoT, se ha observado que las personas
tienden a complicar las cosas innecesariamente.
Esta cuestión es particularmente destacada en los informes escritos, existe un temor
común a parecer poco sofisticado o poco inteligente si uno elige escribir de manera directa
y sencilla. En consecuencia, el resultado final es un producto incomprensible para quien
toma las decisiones. Para superar esto, el análisis debe realizarse por etapas, con el objetivo
de producir un informe que sea fácilmente comprensible para todos los lectores. Este
proceso de toma de decisiones se parece mucho al enfoque estructurado que se sigue en el
tratamiento de una enfermedad. Cuando un paciente se encuentra con un problema de
salud, busca la ayuda de un médico para encontrar una solución. El médico, en
colaboración con el paciente, describe el problema realizando pruebas o exámenes para
diagnosticar la enfermedad.
Luego, el médico prescribe medicamentos y realiza visitas de seguimiento para
garantizar que la acción elegida esté curando eficazmente al paciente. Si es necesario, el
médico realizará cambios en la medicación. En esta analogía, el médico representa al
profesional de IoT, mientras que el paciente simboliza a quien toma las decisiones y es
dueño de los problemas una decisión es una elección racional hecha entre diferentes
opciones es un aspecto crucial de la resolución de problemas, que cae dentro del campo
más amplio de la gestión. Si bien se pueden desarrollar modelos matemáticos utilizando la
ciencia de la gestión, se vuelven inútiles si la comunicación de los resultados es demasiado
complicada para que la comprenda quien toma las decisiones.
La prescripción de una solución implica identificar una solución estratégica e
implementarla. Se debe buscar una solución estratégica utilizando las técnicas de solución
15
disponibles en IoT, que se discutirán más adelante. Todo problema de decisión gerencial
tiene múltiples soluciones. El objetivo es lograr una solución estratégica satisfactoria, a
menudo denominada "decisión correcta". No existe una solución única para los problemas
del mundo real las soluciones dependen de factores como el presupuesto, el tiempo y
diversas limitaciones y condiciones.
Gráfico 1.2
Descripción de la Metodología
Fuente: Carro, (2009).
1.3 Aspectos Gerenciales.
La validación del modelo es el proceso de comparar el resultado del modelo con el
comportamiento del fenómeno en la realidad, implica preguntarse si el modelo que hemos
construido es el adecuado para el uso previsto. La validación reconoce que ningún modelo
puede capturar perfectamente todos los detalles de un sistema real y requiere determinar
qué grado de desviación entre el modelo y la realidad es aceptable para el propósito
previsto. La verificación del modelo, por otro lado, es el proceso de comparar el programa
de computadora con el modelo para garantizar que el programa esté implementando
correctamente el modelo. Hay varias razones por las que un modelo puede fallar en la
validación, como la complejidad que dificulta la verificación adecuada.
En tales casos, puede ser necesario simplificar el modelo convirtiendo variables en
constantes, eliminando variables, utilizando relaciones lineales en lugar de relaciones no
lineales, agregando suposiciones y restricciones más estrictas o eliminando factores
aleatorios. El problema de la toma de decisiones a menudo se presenta de manera distante e
impersonal por parte de quien toma las decisiones, para encontrar una solución, los técnicos
analizan el problema e identifican el módulo de software adecuado a utilizar. Sin embargo,
16
es importante presentar la solución estratégica a quien toma las decisiones de una manera
que pueda comprenderla, en lugar de simplemente proporcionar resultados impresos desde
la computadora.
Esto requiere una interpretación gerencial de la solución, utilizando un lenguaje no
técnico, a diferencia de las ecuaciones matemáticas que tienen una única solución correcta,
los problemas de la vida real no tienen una respuesta definitiva. No se pueden resolver de
una vez por todas, sino que requieren actualizaciones y ajustes continuos. El proceso de
modelado en IO, por lo tanto, no es una ciencia exacta como las matemáticas, sino más bien
un proceso en el que las decisiones deben ser tomadas en última instancia por quien toma
las decisiones, las actividades de seguimiento posteriores a la prescripción desempeñan un
papel crucial en el control del problema.
En un mundo en constante cambio, es necesario actualizar periódicamente las
soluciones a los problemas que surgen. Incluso una solución que es válida ahora puede
quedar obsoleta debido a cambios en las condiciones, convirtiéndola en una representación
inexacta de la realidad. Esto puede afectar negativamente la capacidad de quien toma las
decisiones para tomar las decisiones correctas, cualquier modelo utilizado debe ser capaz
de adaptarse y responder a los cambios. No se debe pasar por alto la importancia de la
retroalimentación y el control en el proceso de toma de decisiones, sería un error ignorar el
hecho de que no existe una solución permanente para un problema de decisión empresarial.
La naturaleza misma del entorno en el que se toman las decisiones es de cambio constante,
lo que hace que la retroalimentación y el control sean componentes esenciales del proceso
de modelado en IO.
Durante la validación, el profesional de IoT pregunta cómo se relaciona el modelo con
el mundo real, los modelos que no se van a implementar ni tomar en serio desde el
principio no se desarrollan correctamente. Es importante analizar y revisar cuidadosamente
la información y su vigencia en el momento en que se recibe. Una vez obtenido un modelo
válido, éste puede utilizarse como herramienta para la toma de decisiones, implementar el
modelo no es una tarea sencilla y no debe darse por sentado, el desarrollador debe
considerar cuidadosamente cómo poner el modelo en práctica y utilizarlo de forma eficaz.
Esto resalta la importancia de involucrar a quien toma las decisiones en todos los
pasos del proceso de construcción del modelo, especialmente cuando el desarrollador y la
persona que toma las decisiones no son la misma persona. Al incluir a quien toma las
decisiones, aumentan considerablemente las posibilidades de que el modelo se implemente
adecuadamente. Sin embargo, también deben tenerse en cuenta consideraciones de costes.
Construir un modelo puede ser una tarea costosa. Puede que no sea prudente invertir una
cantidad significativa de dinero, como 500 000 dólares, en el desarrollo de un modelo que
sólo produce un rendimiento de 50 000 dólares. La razón de este alto costo radica en la
17
La complejidad de un modelo matemático puede aumentar con el tiempo a medida
que se le incorporan más entradas y restricciones. Identificar y relacionar adecuadamente
estos elementos dentro del modelo requiere una cantidad significativa de tiempo y esfuerzo,
ya que debe capturar con precisión las complejidades de un sistema complejo, a medida que
el modelo se vuelve más complejo, también aumenta la probabilidad de errores o
interpretaciones erróneas. Esto puede dar como resultado que el modelo represente de
manera inexacta la realidad o produzca resultados completamente falsos. Estas
imprecisiones pueden tener graves consecuencias para la toma de decisiones y el éxito
general de una empresa. Por lo tanto, es crucial garantizar la precisión al definir y expresar
un problema matemáticamente, la aceptación de un modelo durante su implementación
también es de gran importancia.
Si el individuo que debe utilizar el modelo no lo acepta, entonces su valor
disminuye. Esta falta de aceptación puede deberse a varios factores, como una falta de
comprensión del modelo o de las técnicas utilizadas para resolverlo por parte de quien toma
las decisiones, o una falta de comprensión del gestor y su entorno específico por parte del
desarrollador del modelo. Estos factores, incluidas las preguntas, el lenguaje y los criterios
del gerente, desempeñan un papel vital a la hora de determinar qué se considera importante
en el modelo. Al utilizar estas estrategias, es posible superar las limitaciones del proceso de
modelado analítico y crear modelos que representen y resuelvan eficazmente problemas del
mundo real. Para que los modelos contribuyan eficazmente a la toma de decisiones
empresariales, es esencial comprender los beneficios y las complejidades tanto del modelo
en sí como del proceso de construcción.
Para comprender plenamente la importancia de las técnicas de toma de decisiones
empleadas en la organización industrial (IO), es necesaria una comprensión clara del papel
del modelo y los pasos involucrados en su creación. Un aspecto clave del uso exitoso de
modelos es reconocer que son abstracciones; su propósito no es proporcionar una solución
definitiva a un problema de decisión, sino más bien ofrecer información valiosa que ayude
en la toma de decisiones. Es importante que el modelo logre un equilibrio, evitando la
replicación de todas las complejidades de la realidad, ya que esto dificultaría su resolución
y proporcionaría conocimientos limitados para quien toma las decisiones, el modelo
tampoco debería simplificarse demasiado hasta el punto de perder su conexión con el
mundo real. Este equilibrio se aplica a todo tipo de modelos, ya sean verbales, mentales o
matemáticos, ya que todos constan de variables independientes, variables dependientes,
parámetros y constantes. Los modelos verbales tienen la ventaja de poder reunir estos
elementos de forma natural e intuitiva, ayudando a la comprensión y la comunicación
efectiva, a medida que pasamos de modelos verbales a modelos mentales y matemáticos, se
hace necesario definir estos elementos con mayor precisión.
18
El proceso de construcción del modelo es un proceso iterativo. Desarrollar un modelo
utilizable no es una tarea que pueda lograrse en un solo intento, ni siquiera para el
desarrollador de modelos más experimentado. Más bien, es un proceso que implica
formular y validar el modelo, seguido de posibles intentos de reformulación y revalidación.
Este proceso iterativo continúa hasta que se logra un cierto nivel de confianza en la utilidad
del modelo. La razón por la que diferentes gerentes toman decisiones diferentes cuando se
enfrentan al mismo problema radica en el hecho de que todos somos individuos únicos con
diferentes experiencias y orígenes. Las experiencias de vida de cada persona moldean su
mente de una manera distinta, y el conocimiento en sí es un fenómeno biológico. Como
resultado, cada ser humano percibe e interactúa con el mundo a su manera. A través de sus
procesos cognitivos internos, cada individuo entabla una relación creativa con el mundo
externo, contribuyendo a la amplia gama de miles de modelos diferentes.
1.4 Algunas diferencias entre el Diseño y la Materialización del Modelo.
La existencia y crecimiento de la brecha entre la teoría y la aplicación de modelos para
la toma de decisiones puede atribuirse a varios factores. En primer lugar, los problemas
reales suelen ser difíciles de definir y analizar, lo que dificulta la creación de modelos
precisos, si bien puede ser más fácil desarrollar planes, la implementación de estos modelos
a menudo se pasa por alto o no se le da la debida consideración. Esta falta de preparación
desde el principio conduce a una utilización ineficaz de los modelos. Otro factor que
contribuye es la falta de colaboración estrecha entre el creador del modelo y el propietario
del problema. Las organizaciones a menudo no ven los beneficios directos e inmediatos de
la colaboración, lo que lleva a una falta de confianza en la capacidad del modelo para
resolver el problema sin causar ningún daño.
Se puede facilitar el establecimiento de confianza y el fomento de la voluntad de
cooperar compartiendo experiencias de casos anteriores, la disponibilidad de datos plantea
un desafío importante, ya que a menudo están dispersos, incompletos e inexactos. Para
ahorrar costos y lograr resultados más rápidos, algunas empresas se conforman con
resultados aproximados que se basan en datos limitados y más suposiciones. Este enfoque
puede ahorrar tiempo y dinero en la recopilación de datos, pero compromete la precisión y
confiabilidad de los resultados, es necesario influir en la cultura y la actitud hacia el diseño
de modelos dentro de la comunidad empresarial. Esto requiere gerentes mejor capacitados y
equipados para comprender y utilizar modelos analíticos de manera efectiva.
Desafortunadamente, muchas empresas invierten mucho en promociones de marketing,
pero sólo asignan recursos mínimos para estudiar la eficacia de estos esfuerzos, los gerentes
a menudo carecen de la capacitación adecuada en los conceptos y el uso de modelos
analíticos, lo que contribuye aún más a la brecha entre la teoría y la aplicación. Es crucial
que los modeladores aborden los problemas que los gerentes consideran importantes desde
19
una perspectiva de ahorro de costos, ya que esto aumentará la probabilidad de una
implementación y utilización exitosa de los modelos.
1.5 Los Modelos.
Los modelos de toma de decisiones se pueden dividir en dos categorías principales:
modelos deterministas y modelos probabilísticos. En los modelos deterministas, las buenas
decisiones se toman en función de sus resultados positivos, sin ningún riesgo involucrado.
Los resultados de una decisión están influenciados por factores no controlables y la
capacidad de quien toma la decisión para controlar estos factores a través de la información
disponible. Por otro lado, los modelos probabilísticos tienen en cuenta tanto el valor del
resultado como el nivel de riesgo asociado a cada decisión. Quien toma las decisiones debe
determinar qué tipo de modelo es el más adecuado para el problema en cuestión. Por tanto,
es importante analizar y clasificar diferentes modelos antes de proceder con el proceso de
toma de decisiones. Si bien IoT se centra principalmente en modelos matemáticos, existen
otros tipos de modelos que se utilizan ampliamente en la práctica. Estos modelos se pueden
clasificar en función de diversas características, como su tipo, cómo evolucionan en el
tiempo y la disponibilidad de información, este proceso de clasificación se ilustra en el
siguiente Gráfico.
Gráfico 1.3
Modelos
Fuente: Carro, (2009).
20
Los modelos mentales/verbales son traducciones de modelos mentales al lenguaje.
Expresan las relaciones funcionales entre variables. Por ejemplo, un director de publicidad
podría expresar su creencia de que un comercial de 20 segundos tiene más impacto en el
público objetivo que uno de 15 segundos. Los modelos mentales/verbales son fáciles de
entender y a menudo son el resultado de años de experiencia gerencial. Sin embargo, tienen
limitaciones. Los tomadores de decisiones no pueden experimentar con ellos y no brindan
información específica sobre cómo cambian los resultados o las medidas de efectividad con
diferentes alternativas de decisión. Los modelos mecánicos, también conocidos como
modelos físicos, se parecen a los objetos que representan, se utilizan para mostrar o probar
el diseño de diversos elementos, desde nuevas construcciones hasta nuevos productos. Por
ejemplo, en la industria de la aviación, se construyen y prueban modelos a escala de
aviones en túneles de viento para analizar su aerodinámica.
De manera similar, los fabricantes de repuestos para automóviles pueden tener
modelos a escala tridimensional de su planta para estudiar nuevos diseños de distribución y
mejorar el flujo de materiales. Los modelos mecánicos ofrecen la ventaja de la
experimentación y pueden ayudar a generar soluciones de diseño innovadoras. Sin
embargo, su capacidad para resolver ciertos problemas, como la selección de cartera, la
selección de medios para publicidad y la planificación de la producción, es limitada. En
estos casos, los modelos matemáticos ejecutados en computadoras proporcionan un análisis
más eficiente y completo. Los modelos analíticos son modelos matemáticos que simplifican
y abstraen sistemas reales para obtener una comprensión más profunda de ciertos aspectos
de la realidad.
Estos modelos se aplican principalmente a sistemas estáticos y deterministas. En
comparación con los modelos mecánicos, los modelos matemáticos facilitan la
experimentación ya que todas las variables, constantes y parámetros están relacionados
explícitamente a través del lenguaje matemático. Los tomadores de decisiones pueden
probar fácilmente los efectos de diferentes variables, estos modelos deben conectarse a
problemas y dominios reales y verificarse y validarse mediante la práctica, existen varios
tipos de modelos utilizados en diferentes contextos. Cada tipo tiene sus ventajas y
limitaciones, y la elección del modelo depende del problema específico que se aborde. Los
modelos icónicos suelen ser de naturaleza estática y física, pero a menudo no representan
con precisión la realidad. Se utilizan principalmente en sistemas mecánicos. Por otro lado,
las actividades empresariales son procesos dinámicos que siguen patrones matemáticos.
Como resultado, pueden representarse mediante modelos simbólicos como los modelos
algebraicos, numéricos y lógicos, entre estos modelos simbólicos, se utilizan ampliamente
los modelos matemáticos y de simulación por computadora.
Un modelo de decisión es una representación simbólica de la realidad, con ciertas
variables que representan las decisiones que se pueden tomar. Se trata de formular una
21
representación de la realidad y determinar los aspectos relevantes. Por ejemplo, en un
análisis de relevancia de un modelo real para una empresa, pueden surgir preguntas como si
las ganancias son un insumo o una medida del desempeño, si el precio de un producto es
una decisión o un parámetro, si la cantidad de producto a ser vendido es una variable de
insumo o de producto, si la moral de los trabajadores es una medida del desempeño o un
parámetro, cómo se puede medir la moral (por ejemplo, utilizando el ausentismo) y si la
participación de mercado es una medida del desempeño y, de ser así, debería medirse. en
unidades vendidas o ingresos. Por ejemplo, en el modelo normativo-estático-determinista
con variables de decisión continuas, relaciones lineales y el objetivo de encontrar la
solución óptima, la técnica de solución potencial se limitaría a la programación lineal.
El lenguaje de las matemáticas ofrece numerosas ventajas para los tomadores de
decisiones. Los modelos matemáticos permiten probar fácilmente diferentes alternativas de
decisión, constantes y valores de parámetros en variables dependientes. También son
eficientes y concisos a la hora de representar problemas complejos, lo que los convierte en
una forma rentable de analizar problemas. Por lo tanto, es importante analizar diversos
modelos matemáticos y técnicas de solución que se utilizan comúnmente en la práctica. Los
procedimientos de solución se pueden clasificar como de paso único o iterativos. En los
procedimientos de un solo paso, los valores finales de todas las variables de decisión se
determinan simultáneamente mediante un procedimiento bien definido.
Por otro lado, las técnicas de solución iterativa implican una serie de pasos para
llegar a una solución final, obteniéndose soluciones parciales o completas en cada paso. La
solución óptima es aquella que ha demostrado ser al menos tan buena como cualquier otra,
según los supuestos del modelo, mientras que una solución satisfactoria se considera
"buena" con respecto a los objetivos y restricciones, pero puede no ser la mejor. Los
modelos de simulación enfrentan desafíos en su aceptación por parte de los gerentes debido
a su nivel de abstracción. Los gerentes que carecen de suficiente capacitación o exposición
a estos modelos, así como aquellos que están capacitados pero no tienen tiempo para
brindarles la atención adecuada, pueden resistirse a su uso. Los modelos matemáticos
tienen sus limitaciones debido al lenguaje simbólico de las matemáticas.
Los modelos analógicos, si bien están diseñados para imitar la realidad, pueden no
parecerse mucho a ella. Los modelos complejos, como los que involucran un aeropuerto
internacional, pueden requerir simplificaciones significativas para resolverse de manera
eficiente, desviándose potencialmente del problema original y provocando efectos
desastrosos en la organización. Por lo tanto, es necesaria una selección cuidadosa del tipo
de modelo y la técnica de solución para minimizar los errores. Los modelos de simulación,
por el contrario, proporcionan simulaciones por computadora de sistemas reales y son más
realistas, particularmente para modelar sistemas dinámicos y/o probabilísticos como un
aeropuerto internacional.
22
1.5 Elementos Estructurado para la toma de Decisiones.
En el proceso de modelado de toma de decisiones, analizamos el efecto de presentar
diferentes decisiones retrospectivamente, como si ya se hubieran tomado de acuerdo con
varios cursos de acción. Esto requiere considerar la secuencia de pasos a la inversa. Por
ejemplo, primero debemos considerar el resultado, que es el resultado de nuestra acción,
como si la decisión ya se hubiera tomado bajo un curso de acción diferente. Las
interacciones entre estos componentes están representadas por funciones matemáticas que
representan relaciones de causa y efecto entre entradas, parámetros y el resultado. También
hay grupos de restricciones que se aplican a cada componente, por lo que no deben tratarse
por separado, dado que el modelo de un sistema representa los elementos que impactan el
objetivo de una decisión, es crucial identificar los elementos más importantes. Estos
elementos suelen estar determinados por el resultado deseado, que luego determina los
insumos controlables.
Las entradas de un sistema se pueden clasificar como controlables o incontrolables, es
esencial seleccionar cronogramas de revisión de modelos que sean lo suficientemente
cortos para que los datos incontrolables o el conocimiento probabilístico que tenemos sobre
ellos no cambien significativamente. El resultado de este proceso se conoce como medida
del rendimiento del sistema, cuando el resultado de una decisión depende del curso de
acción, modificamos aspectos de la situación problemática para lograr un cambio deseado
en otro aspecto. Esto se puede lograr comprendiendo la interacción entre los componentes
del problema. Un principio general en la toma de decisiones es que si algo no se puede
medir, no se puede gestionar. Por lo tanto, medir el desempeño conduce a la mejora e
informar que el desempeño acelera la mejora.
El Gráfico 1.4 ilustra el proceso estructurado de toma de decisiones en el contexto de
IoT. Como se muestra en el diagrama de actividades mencionado anteriormente, el proceso
de toma de decisiones consta de varios componentes. La medida de desempeño proporciona
el nivel deseado de resultado, que es el objetivo de la decisión, identificar el objetivo es
crucial para la identificación del problema. La principal tarea del tomador de decisiones es
encontrar una solución que equilibre diferentes objetivos y seleccione el que tenga el mayor
valor. Si es necesario, todos los demás objetivos deben incluirse como restricciones a
satisfacer. El curso de acción representa la decisión final y la estrategia óptima para lograr
el objetivo deseado, tomar una decisión implica seleccionar un curso de acción para
perseguir el objetivo. El impacto de un curso de acción en el resultado depende de cómo se
interrelacionan los insumos y parámetros del problema y cómo se relacionan con el
resultado. Los aportes incontrolables provienen del entorno de quien toma las decisiones y
a menudo crean problemas y restringen las acciones. Los parámetros son elementos
constantes que cambian durante el horizonte temporal de la revisión de la decisión y
definen parcialmente el problema.
23
Gráfico 1.4
Estructuración del Proceso de Toma de Decisiones.
Fuente: Carro, (2009).
Durante la década de 1950, se desarrolló en el prestigioso Instituto Tecnológico de
Massachusetts (MIT) una metodología de sistemas revolucionaria llamada Dinámica de
Sistemas. El cerebro detrás de este enfoque innovador fue Jay W. Forrester, un consumado
ingeniero electrónico que previamente había hecho importantes contribuciones al campo de
las memorias magnéticas. La participación de Forrester en el desarrollo del sistema SAGE,
un sistema de alerta en tiempo real de vanguardia, lo llevó a reconocer el inmenso valor de
un enfoque sistémico para comprender y controlar entidades complejas que surgen de la
interacción entre humanos y máquinas. Impulsado por sus experiencias, Forrester pasó a
desempeñar un puesto docente en la MIT Sloan School of Management.
Fue durante este tiempo que hizo una observación fascinante: notó la aparición de
fenómenos de retroalimentación dentro de las empresas, que podían provocar oscilaciones
muy parecidas a los servomecanismos que había estudiado anteriormente. Esta
comprensión llevó a Forrester a idear Dinámica Industrial, una metodología revolucionaria
que permitió la creación de modelos cibernéticos para simular procesos industriales. Lo que
distinguió a estos modelos fue su capacidad única para simular la evolución temporal de
estos sistemas con la ayuda de computadoras. Posteriormente, Forrester amplió su
metodología para abordar problemas de planificación urbana, dando como resultado el
nacimiento de System Dynamics. El impacto de la dinámica de sistemas creció
exponencialmente en la década de 1970, especialmente después de que el influyente Club
24
de Roma encargó a Forrester y su equipo estudiar los efectos del crecimiento demográfico y
la actividad humana en un mundo con recursos limitados. Forrester encabezó la creación de
un modelo mundial inicial, que sirvió de base para el innovador informe conocido como
"Los límites del crecimiento".
Dirigida por D.L. Meadows y financiado por la Fundación Volkswagen, este
informe arroja luz sobre los problemas apremiantes que enfrentó la humanidad y las
consecuencias de nuestras acciones. Además, otro informe, titulado "La humanidad en el
punto de inflexión", también se basó en System Dynamics y fue encargado por Mesarovic y
Pestel. Los principios subyacentes de la dinámica de sistemas tienen sus raíces en las
características inherentes de los sistemas sociales y las limitaciones de los propios seres
humanos. Según Forrester, los sistemas como empresas, organizaciones, mercados y
economías son cerrados y no lineales en su estructura. Se consideran cerrados porque las
decisiones tomadas por los individuos dentro de estos sistemas tienen un efecto dominó que
influye en las decisiones posteriores. Por ejemplo, si un director de marketing decide lanzar
una campaña de marketing, el resultado de esa campaña afectará posteriormente a los
procesos de toma de decisiones futuros.
Cuando una empresa promociona uno de sus productos, puede crear dificultades
para otros productos dentro de la misma empresa. Esto puede dar lugar a comportamientos
indeseables, como oscilaciones, especialmente si los efectos de la promoción se manifiestan
con retraso. Por otro lado, hay efectos de refuerzo que ocurren cuando una empresa es la
primera en ingresar a un nuevo mercado y obtiene una ventaja competitiva a través de la
innovación y relaciones sólidas con los clientes. Estos circuitos de retroalimentación
desempeñan un papel crucial en la configuración del sistema general, dentro de un mismo
sistema, puede haber múltiples bucles de retroalimentación operando a diferentes
velocidades, dependiendo del tiempo que tarda una causa en producir un efecto, las
conexiones entre las variables de un sistema suelen ser no lineales, lo que significa que los
efectos se multiplican en lugar de simplemente sumarse.
El comportamiento de un sistema, incluida la participación de mercado, la ventaja
comparativa y las relaciones con los competidores, está determinado por sus entidades
estructurales y las relaciones causales entre ellas. Este comportamiento puede ser muy
complejo y dinámico, incluso en estructuras aparentemente simples. Ejemplos de
comportamientos tan complejos incluyen el crecimiento en forma de S, el crecimiento
exponencial, la reacción exagerada, el crecimiento y el colapso, y la oscilación, todos los
cuales pueden analizarse examinando la estructura subyacente.
25
1.6 Las limitaciones de la Naturaleza Humana.
Recientemente se ha puesto énfasis en el pensamiento sistémico, que puede verse como
un lenguaje utilizado para abordar eficazmente las complejidades e interdependencias que
los administradores encuentran a diario. Frente a estos sistemas complejos, los individuos
se esfuerzan por comprender su comportamiento para poder dar una explicación válida. Sin
embargo, nuestras capacidades cognitivas son principalmente adecuadas para un mundo
estable que carece de cambios rápidos, donde principalmente consideramos sólo lo que está
cerca en el tiempo y el espacio. En consecuencia, a menudo cometemos errores de juicio al
descuidar la relevancia de variables y conexiones que están distantes en el tiempo o remotas
en el espacio. Esta perspectiva limitada conduce a modelos mentales y a una toma de
decisiones incompleta que produce efectos secundarios inesperados e incluso molestos.
1.7 Diagramas Causales o de Lazos.
Un diagrama de bucle causal comprende cuatro elementos esenciales: variables,
vínculos entre ellas, signos de los vínculos (que demuestran interconexiones) y signos del
bucle (que indican el comportamiento del sistema). Al adoptar una perspectiva sistémica, se
pueden analizar los problemas para identificar las fuerzas subyacentes que impulsan el
comportamiento observado, los diagramas causales juegan un papel crucial en el estudio de
sistemas dinámicos de dos maneras. En primer lugar, durante la fase de desarrollo del
modelo, sirven como esbozo inicial de la hipótesis causal. En segundo lugar, ayudan a
simplificar la ilustración del modelo. En ambos casos, estos diagramas permiten a los
analistas comunicar de manera efectiva la comprensión estructural del sistema según el
modelo. Ampliando el trabajo realizado por Forrester, el concepto de diagramas causales se
utiliza ampliamente en el modelado de sistemas.
Estos diagramas, que se dibujan utilizando diversos programas informáticos, permiten
la simulación y predicción de los resultados del modelo con una variación mínima en su
representación. El proceso de construcción de vínculos causales implica varios pasos. En
primer lugar, las variables se crean y nombran en consecuencia. A continuación, se dibujan
enlaces para establecer conexiones. Luego se nombra el bucle y, finalmente, se recorre para
comprender sus implicaciones. Los diagramas de vínculos causales pueden verse como
oraciones construidas identificando variables clave e indicando sus relaciones causales a
través de vínculos. Estos vínculos están representados por flechas, que se originan en
variables independientes y terminan en variables dependientes. Al interconectar estos
vínculos, se puede crear una narrativa coherente para abordar temas o problemas
específicos. Para ilustrar más estos conceptos, consideremos un ejemplo tomado de Study
Notes in System Dynamics de Michael R. Goodman, cap. 1. Los sistemas dinámicos se
basan en las interacciones de bucles de retroalimentación, y los diagramas de flujo y los
diagramas causales sirven como representaciones visuales de estas estructuras cíclicas antes
de su posterior desarrollo en redes consistentes con tasas, niveles y elementos auxiliares.
26
Al diagramar bucles causales, los modeladores pueden obtener una comprensión
conceptual de los sistemas del mundo real en términos de bucles de retroalimentación.
1.8 Modelo Migración Población, Migración, Empleo.
Diagrama 1.1
Diagrama Causal
La relación entre la migración y la disponibilidad de empleos en DE es compleja e
involucra varios ciclos de retroalimentación. La disponibilidad de empleos en DE atrae
inmigrantes a la ciudad, lo que a su vez aumenta la población de empleados. Este
crecimiento demográfico conduce a la absorción de empleos disponibles, pero también crea
una demanda de más servicios urbanos y, en última instancia, resulta en la expansión de
empleos tanto E como DE. El aumento del número de puestos de trabajo disponibles en la
ciudad también tiene un impacto en la disponibilidad de puestos de trabajo DE. A medida
que se crean más puestos de trabajo, también aumenta la disponibilidad de puestos de
trabajo en DE. Esto significa que cuantas más oportunidades laborales haya en la ciudad,
más opciones habrá para las personas que buscan empleo en el sector DE.
La migración y la disponibilidad de empleos DE están interconectadas en un
sistema donde una afecta a la otra. Esta relación puede explicarse a través de una serie de
hipótesis causales que resaltan los circuitos de retroalimentación involucrados en el
funcionamiento urbano. En el largo plazo, la población ocupada en la ciudad demanda más
servicios urbanos. Esto se debe a que a medida que hay más personas empleadas, necesitan
acceso a diversos servicios como transporte, atención médica y educación. El aumento de la
demanda de estos servicios conduce a la expansión del número total de empleos E
disponibles en la ciudad. Con más gente en la fuerza laboral, los empleos disponibles en la
ciudad comienzan a ser absorbidos. Esto significa que a medida que la población crece, el
27
número de oportunidades laborales disminuye porque están siendo ocupadas por los recién
llegados. A medida que estos inmigrantes llegan, contribuyen al crecimiento de la población
de empleados en la ciudad. Este aumento de población es el resultado de que los recién
llegados se unen a la fuerza laboral y se suman al número total de empleados en la ciudad.
La primera hipótesis afirma que la disponibilidad de empleos en DE conduce a una
afluencia de inmigrantes hacia la ciudad, esto significa que cuando hay oportunidades
laborales en la ciudad, es más probable que la gente migre allí en busca de empleo. El
proceso de creación de este diagrama paso a paso proporcionará una explicación detallada
de cómo representar ciclos o bucles de manera efectiva. Para diagramar con precisión la
estructura de un ciclo y determinar su polaridad, es necesario establecer conexiones entre
todos los pares de variables pertinentes.
1.9 Relaciones Causa-Efecto Modelos de Aplicación.
Las variables en este contexto son las siguientes: Empleos (E), que se refiere al número
total de vacantes y puestos de trabajo cubiertos en el área urbana; Disponibilidad de
Empleo (DE), que representa el número de puestos de trabajo vacantes; Migración (M), que
significa la migración de la población trabajadora al área urbana; y Población Ocupada
(PE), que indica la población ocupada residente en la zona.
Otro ejemplo de relación positiva involucra las variables Migración (M) y Población
Ocupada (PE). Representamos esta relación de la misma manera que la relación DE-M
anterior. El Diagrama 1.2 ilustra la relación M-PE, donde un aumento en la tasa de
migración (M) conduce a un aumento en el número de personas empleadas, expandiendo
así la población residente empleada. La flecha sirve como indicador de la dirección de la
influencia, mientras que el signo más (+) o menos (-) indica el tipo de influencia. Cuando
hay un aumento en la Disponibilidad de Empleo (DE), se produce un aumento en la
Migración (M). Por lo tanto, la relación entre las dos variables se indica con un signo "+",
que indica una correlación positiva. Para aplicar esta definición, solo consideramos pares de
variables adyacentes entre sí. De manera similar, podemos usar esta definición con ligeros
ajustes para determinar la polaridad de circuitos cerrados de retroalimentación. En un
sentido más amplio, si todas las demás variables permanecen constantes, un cambio en una
variable da como resultado un cambio en la misma dirección para la segunda variable, en
comparación con su valor anterior. Esto se conoce como una relación positiva entre las
variables.
28
Diagrama 1.2
Disponibilidad de Empleos Positivo Lazo Migración
Una relación negativa se indica con un signo "-" y se caracteriza por la ocurrencia de un
cambio en una variable que resulta en un cambio en la dirección opuesta en la segunda
variable. Esta relación negativa se representa visualmente en el diagrama 1.3
Diagrama 1.3
Población Empleada Positivo. Lazo Migración
Diagrama 1.4
Disponibilidad de Empleos Negativo. Lazo Población Empleada-
Vale la pena señalar que cuando dos pares de relaciones negativas se conectan, en
realidad crean una relación positiva a lo largo de toda la cadena. En este caso, las variables
A, B y C están encadenadas negativamente, como se muestra en el Diagrama. Cuando la
variable A aumenta, provoca una disminución en B, lo que a su vez conduce a un aumento
en la variable C. Como resultado, se considera que la cadena de A a C tiene una relación
29
positiva. Los diagramas 1.3 y 1.4 presentan un supuesto causal sobre la relación entre la
población residente ocupada y la disponibilidad de empleos en un área urbana. Según la
Figura 4, un aumento en el número de residentes empleados eventualmente conducirá a una
disminución en la disponibilidad de empleo. Esto se debe a que a medida que nuevos
trabajadores ingresan a la ciudad, llenan los puestos de trabajo disponibles, reduciendo así
el número total de oportunidades laborales. Por el contrario, si la población de trabajadores
residentes comienza a disminuir, se puede suponer que habrá más puestos de trabajo
disponibles. Por lo tanto, cualquier aumento o disminución de la población ocupada dará
como resultado el cambio opuesto en la disponibilidad de empleo.
Diagrama 1.5
Los Causales.
Diagrama 1.6
Lazo Causal Simple.
Los diagramas 1.5 y 1.6 muestra un circuito de retroalimentación negativa,
indicado por el signo "-" en el centro del ciclo ilustran las relaciones interconectadas entre
los pares DE, M y PE. Para determinar la polaridad del ciclo completo, debemos considerar
las consecuencias de un cambio hipotético en la variable del ciclo. El aumento de la
30
disponibilidad laboral se ve reforzado por la cadena positiva entre PE y E. Para determinar
la polaridad del nuevo ciclo, podemos examinar el efecto de un aumento significativo en la
disponibilidad laboral dentro de ese ciclo, ignorando todas las demás cadenas fuera de él.
Este aumento resultaría en una migración hacia el área urbana, lo que llevaría a un aumento
de la Población Ocupada. Esto, a su vez, eventualmente aumentaría el número de empleos
básicos, mejorando así la disponibilidad de empleo. Consideremos un escenario en el que
hay un aumento repentino en la disponibilidad de empleo. Este aumento de ED atraería a
más personas a la ciudad, lo que resultaría en un aumento de la Población Ocupada (PE).
Entonces, la DE aumenta la PE, un aumento de la Población Ocupada conduce a una
disminución de la Disponibilidad de Empleo.
Las causas internas que inicialmente aumentaron la DE han desencadenado una
serie de reacciones y ajustes internos dentro del sistema. Estos cambios crean presiones que
se oponen a cualquier cambio adicional en DE. Por lo tanto, el ciclo tiende a mantener un
valor u objetivo fijo para la DE, a pesar de que las influencias externas empujan en la
dirección opuesta. Cuando un sistema consta de múltiples ciclos, es necesario determinar la
polaridad de cada ciclo de forma aislada. Esto implica suponer que todas las demás
variables fuera del ciclo (y dentro de él) permanecen constantes. Cada ciclo tendrá su
propia polaridad. Para determinar la polaridad de un ciclo, el método sugerido es comenzar
desde un punto del sistema con una suposición, como por ejemplo asumir que hay
crecimiento en ese punto.
Luego, recorre todo el ciclo y observa el efecto al regresar, si el efecto va en
aumento, el ciclo es positivo; si no, es negativo, si el efecto recibido es del mismo signo, el
ciclo es positivo; si es de signo contrario, el ciclo es negativo. Cuando un circuito de
retroalimentación responde a un cambio en una variable en dirección opuesta a la
perturbación original, lo llamamos ciclo negativo. Por otro lado, cuando el ciclo responde
reforzando la perturbación original, se le denomina ciclo positivo, los diagramas 1.6
presenta una cadena positiva entre la Población Ocupada (PE) y el Empleo (E). Esta cadena
supone que un aumento de la Población Ocupada eventualmente conducirá a un aumento de
los Empleos, debido al aumento de la demanda de diversos servicios como vivienda,
construcción, etc. El modelo ahora consta de dos ciclos cerrados: el conocido ciclo negativo
compuesto por DE , M y PE; y un nuevo ciclo positivo (externo) que involucra las cuatro
variables, la introducción de esta nueva cadena no afecta la polaridad del ciclo compuesto
por DE, M y PE.
31
Diagrama 1.7
Dos Ciclos.
1.10 Modelo de la Oferta con retardo.
Este modelo particular se puede aplicar a mercados donde el proceso de producción es
largo y el producto no se puede almacenar. En este modelo, asumimos que la cantidad
demandada del producto en un momento dado es una función lineal de su precio, expresado
como Demanda = A - B * Precio. Por otro lado, la cantidad ofrecida por los productores
depende del precio que inicialmente esperaban recibir por el producto, representado como
Oferta = C + E * Precio esperado. Es importante señalar que en este escenario el producto
no es almacenable, por lo que los productores aceptarán el precio máximo que los
consumidores estén dispuestos a pagar para agotar su producción, incluso si difiere de sus
expectativas iniciales, los productores forman sus expectativas de precios basándose en el
precio de mercado del período anterior, adoptando un enfoque más ingenuo.