Fases de la IO

Fases de estudio de la i.o.

Investigación de Operaciones (I.O.)

¿Que es la investigacion de operaciones?

Para implementar la IO en la práctica, las fases principales son:

1. Definición del problema.

3. Solución del modelo.

5. Implementación de la solución.

4.Validación del modelo.

2. Contrucción del modelo.

A continuación, en este vidio se explica de forma visual las diferentes fases de la investigacion de operaciones, asi como algunas de sus aplicaciones en la industria.

FASES EN LA INVESTIGACION DE OPERACIONES

Fases de estudio de la i.o.

Investigación de Operaciones (I.O.)

ejemplo 1 Optimización de una Ruta al Colegio

¿Comó se puede aplicar las diferentes fases de estudio de la investigación de operaciones al problema de "optimizacion de una ruta al colegio" ?

fases de estudio de la investigación de operaciones

1. Definición del problema.

3. Solución del modelo.

5. Implementación de la solución.

4.Validación del modelo.

2. Contrucción del modelo.

Fases de estudio de la i.o.

Investigación de Operaciones (I.O.)

ejemplo 2 Optimización del Inventario en un Almacén

¿Comó se puede aplicar las diferentes fases de estudio de la investigación de operaciones al problema de "Optimización del Inventario en un Almacén" ?

fases de estudio de la investigación de operaciones

1. Definición del problema.

3. Solución del modelo.

5. Implementación de la solución.

4.Validación del modelo.

2. Contrucción del modelo.

Fases de estudio de la i.o.

Investigación de Operaciones (I.O.)

ejemplo 3 Optimización de un Algoritmo en Programación

¿Comó se puede aplicar las diferentes fases de estudio de la investigación de operaciones al problema de "Optimización de un Algoritmo en Programación" ?

fases de estudio de la investigación de operaciones

1. Definición del problema.

3. Solución del modelo.

5. Implementación de la solución.

4.Validación del modelo.

2. Contrucción del modelo.

Solución del modelo.

La solución del modelo es por mucho la más sencilla de todas las fases de IO porque implica el uso de algoritmos de optimización bien definidos. Un aspecto importante de la fase de solución del modelo es el análisis de sensibilidad. Tiene que ver con la obtención de información adicional sobre el comportamiento de la solución óptima cuando el modelo experimenta algunos cambios de parámetros. El análisis de sensibilidad es particularmente necesario cuando no se pueden estimar con precisión los parámetros del modelo. En estos casos es importante estudiar el comportamiento de la solución óptima en el entorno de los parámetros estimados.

Definición del problema.

La definición del problema implica definir el alcance del problema investigado. Esta función debe ser realizada por todo el equipo de IO. El objetivo es identificar tres elementos principales del problema de decisión: (1) descripción de las alternativas de decisión; (2) determinación del objetivo del estudio, y (3) especificación de las limitaciones bajo las cuales funciona el sistema modelado

Validación del modelo.

La validez del modelo comprueba si el modelo propuesto hace en realidad lo que dice que hace, es decir, ¿predice adecuadamente el comportamiento del sistema que se estudia? Al principio, el equipo de IO debe estar convencido de que el resultado del modelo no contenga “sorpresas”. En otras palabras, ¿tiene sentido la solución? ¿Los resultados sin intuitivamente aceptables? Del lado formal, un método común de comprobar la validez de un modelo es comparar su resultado con resultados históricos. El modelo es válido si, en condiciones de datos de entrada iguales, reproduce de forma razonable el desempeño pasado. Sin embargo, no suele haber seguridad de que el desempeño futuro continuará copiando el comportamiento pasado. Además, como el modelo se basa en el examen cuidadoso de datos pasados, la comparación propuesta casi siempre es favorable. Si el modelo propuesto representara un sistema nuevo (inexistente), no habría datos históricos disponibles. En esos casos podemos utilizar la simulación como una herramienta independiente para comprobar el resultado del modelo matemático.

Construcción del modelo.

La construcción del modelo implica un intento de transformar la definición del problema en relaciones matemáticas. Si el modelo resultante se ajusta a uno de los modelos matemáticos estándar, como la programación lineal, se suele obtener una solución utilizando los algoritmos disponibles. Por otra parte, si las relaciones matemáticas son demasiado complejas como para permitir la determinación de una solución analítica, el equipo de IO puede optar por simplificar el modelo y utilizar un método heurístico, o bien considerar la simulación, si es lo apropiado. En algunos casos, una simulación matemática puede combinarse con modelos heurísticos para resolver el problema de decisión.

Implementación de la solución.

La implementación de la solución de un modelo validado implica la transformación de los resultados en instrucciones de operación comprensibles que se emitirán a las personas que administrarán el sistema recomendado. La responsabilidad de esta tarea recae principalmente en el equipo de IO.

Solución del modelo.

Comparar las rutas y seleccionar la que ofrezca el mejor equilibrio entre rapidez y seguridad.

Definición del problema.

Encontrar la ruta más rápida y segura para ir de casa al colegio.

Validación del modelo.

Recorrer la ruta seleccionada en días diferentes para confirmar su eficiencia.

Construcción del modelo.

Identificar las posibles rutas y estimar el tiempo y la seguridad de cada una.

Implementación de la solución.

Adoptar la ruta elegida como el camino habitual al colegio.

Solución del modelo.

Se aplican métodos de optimización como modelos de control de inventarios (por ejemplo, el modelo EOQ o el Just in Time) para determinar la cantidad óptima de productos a almacenar.

Implementación de la solución.

Se implementan nuevas reglas de pedidos y almacenamiento para evitar quiebres de stock y minimizar costos de almacenamiento.

Validación del modelo.

Se comparan las predicciones del modelo con la realidad, ajustando los cálculos en caso de ser necesario, para poder mejorar la precisión.

Definición del problema.

Una empresa tiene problemas con el almacenamiento de productos, ya que a veces se quedan sin stock de productos populares y otras veces tienen exceso de inventario de productos poco vendidos.

Construcción del modelo.

Se recopilan datos de ventas pasadas, tiempos de reposición y demanda de cada producto. Se elabora un modelo matemático que prediga cuánto inventario debe mantenerse para cada artículo.

Construcción del modelo.

Se analiza el código y se identifican los procesos que consumen más tiempo. Se mide el rendimiento utilizando herramientas de monitoreo como Chrome DevTools o Profiler de Python.

Implementación de la solución.

Se implementa la nueva versión del código en producción, asegurando una mejor experiencia para los usuarios.

Solución del modelo.

Se optimiza el código aplicando técnicas como reducción de consultas a la base de datos, implementación de almacenamiento en caché y mejora de algoritmos de búsqueda y ordenamiento.

Definición del problema.

Un programador está desarrollando una aplicación web, pero el tiempo de carga de la página es demasiado lento, lo que afecta la experiencia del usuario.

Validación del modelo.

Se prueba la velocidad antes y después de los cambios para medir la mejora en el rendimiento. Si la carga sigue siendo lenta, se hacen nuevos ajustes.