MTODOS ANALTICOS PARA TOMA DE DECISIONES EN SISTEMAS DE PRODUCCIN ANIMAL

I.D. Velandia

1 Introduccin
La toma de decisiones es parte de la vida cotidiana y es un proceso donde gobiernos, organizaciones, trabajadores se enfrentan diariamente, para resolver diferentes tipos de problemas. Las decisiones pueden ser automticas cuando ya se ha aprendido como ellas operan, en un contexto especfico. Otras decisiones no son programadas y corresponden a situaciones inusuales en las cuales, las decisiones son tomadas sobre la base de informacin o intuicin. La ciencia de la decisin es tambin denominada investigacin operacional y hace referencia al desarrollo y aplicacin de mtodos cuantitativos y tcnicas que soportan los procesos de toma de decisiones.(Hendrix y Toth, 2010), (Kyriazakis 1999). Diferentes tpicos son analizados para evaluar como un modelo de decisin es efectivo y como las soluciones encontradas en los modelos pueden ayudar a quienes toman la decisin. Esta ltima parte es denominada programacin matemtica y se focaliza en el anlisis matemtico de los modelos y en la construccin de soluciones tcnicas basadas principalmente en los llamados algoritmos. La ciencia de la decisin entonces se aplica a diferentes campos de la ingeniera, la ciencia de alimentos, la planificacin agropecuaria, la salud humana, el manejo ambiental, la ecologa del paisaje, el manejo de los recursos hdricos y la produccin de alimentos a lo largo de las cadenas de produccin. La ciencia de la decisin es una disciplina relativamente nueva y fue utilizada inicialmente durante la Segunda Guerra Mundial para soportar las operaciones y la logstica y en donde diferentes grupos de fsicos, estadsticos y psiclogos soportaron diferentes procesos de decisin blica. Despus de la Segunda Guerra Mundial, el enfoque ha sido utilizado para resolver diferentes problemas complejos y que con el desarrollo de los computadores, la informacin y las
1

tecnologas de la comunicacin han orientado de manera importante el impacto de esta ciencia en la sociedad. La disponibilidad de una gran cantidad de datos, que tienen que ser convertidos a informacin a travs del anlisis de los problemas y del conocimiento para soportar la decisin ha hecho que la ciencia de la decisin sea parte actual de la cotidianidad, con un sustancial impacto en condiciones prcticas. Hacia el futuro, las reas de aplicacin y los retos son amplios en el contexto de la perspectiva de la globalizacin y la competencia dentro de un marco de productividad (Hendrix,1998). En este documento se analizan los elementos a tener en cuenta en la toma de decisiones y que han sido aplicados a la produccin de protena animal

2 Fundamentos y conceptos para la toma de decisiones

La ciencia de la decisin tambin se denomina ciencia de la gestin, o investigacin de operaciones, conceptos que tratan de cuantificar aspectos de los problemas de decisin, en un lenguaje abstracto, mediante modelos matemticos. En el mundo prctico se observa una gran variedad de formas para la toma de decisiones, desde el simple uso de la intuicin hasta el uso de complejos modelos matemticos basados en computador. En este contexto, se siguen los siguientes pasos en la investigacin operacional: a) El anlisis del problema, que analiza las situaciones con las cuales el proceso de decisin expresa su preocupacin. Para formular el problema el primer paso consiste en considerar el entorno dentro del cual el problema existe. b) La construccin de un modelo, paso en que se construye un modelo matemtico que describe la realidad de manera abstracta y simplificada. c) Anlisis del modelo: donde se analiza el modelo y se utilizan mtodos de clculo para generar soluciones ptimas o de alta calidad para el problema.

d) la implementacin donde las soluciones del modelo son las soluciones que se utilizan en el proceso de decisin. Durante los cuatro estados descritos se debe establecer un proceso de

retroalimentacin continua entre estados y a nivel global para la solucin del problema. De otra parte, el sistema como un todo donde se encuentra inserto el problema permite visualizar deseos o necesidades que se traducen como objetivos y las actividades potenciales que los promueven, motivadas y reguladas por un flujo continuo de informacin que conecta los componentes del sistema.(Figura 1) .

Decisin Deseos Flujo de informacin

Accin

Actividades

Informacin desde el entorno

Figura 1. Diagrama de flujo representando el proceso de toma de decisiones. Tomado de Nuthall, 2011.

Para permitir el anlisis, el problema debe ser formulado clara y concretamente para posteriormente identificar los cursos de accin alternativos. Para esto se deben identificar variables que primordialmente afectan los objetivos y cules de ellas estn bajo control del operador.

Un modelo es una descripcin abstracta de una situacin de decisin. En el modelo, las decisiones estn representadas por variables. Las interrelaciones entre variables y la calidad de las decisiones estn representadas por relaciones matemticas. La construccin de los modelos se inspira en varios aspectos como (Hendrix 1998):

a) Un modelo requiere de una percepcin profunda de la situacin de decisin. Por consiguiente, el foco del problema por s mismo permite llegar a una mejor percepcin, dentro de la situacin de decisin y en esa circunstancia parte del problema, ya est resuelto. De otra parte, el ejercicio de construir un modelo a menudo revela relaciones que son poco aparentes ante los ojos de quienes toman la decisin. En consecuencia, hay un incremento en la percepcin, asimilacin y el entendimiento del objeto que est siendo modelado. b) Los modelos pueden ser diseados para evaluar decisiones de una forma simple y econmica. La experimentacin es posible con un modelo mientras a menudo no es deseable experimentar con el objeto que est siendo modelado. Adems, los modelos pueden ser usados para responder a qu pasa, es decir, simular situaciones a un costo muy reducido. La simulacin puede ser usada para derivar soluciones exitosas sobre la base de variaciones en la entrada. c) Los modelos pueden ser tambin usados para generar alternativas de decisin, en donde tcnicas de optimizacin (programacin lineal, integrales y programacin nolineal) son utilizadas.

Con el objeto de manejar el modelo y usarlo en soluciones genricas, es necesario formular algunas premisas (por ejemplo relaciones no lineales son aproximadas por relaciones lineales). Lo anterior implica que las soluciones de un modelo deben ser probadas en condiciones prcticas de aplicabilidad. Por consiguiente, problemas prcticos de decisin desde la fase de formulacin hasta la fase de Implementacin, requieren de una interaccin continua entre el modelador y el usuario final del modelo. El xito de la mayora de los emprendimientos dependen de la cooperacin multidisciplinaria que implica la vinculacin de gestores, tcnicos, cientficos de la informacin, bilogos y

matemticos, entre otros, los cuales tienen contribuciones especficas en el proceso (France, 2006). El resultado final de un modelo nunca reemplaza a quien toma la decisin. Muchos problemas relacionados con la planeacin no pueden ser resueltos, sin el uso de tecnologas cuantitativas. Los sistemas de soporte de decisin o
4

herramientas interactivas de planeacin deben combinarse en sus puntos ms fuertes; la percepcin humana y la experiencia de una parte, con la eficiencia y precisin de tcnicas de optimizacin cuantitativa. Los mtodos analticos son entonces usados como herramienta para encontrar la decisin ptima, dentro de un sistema de produccin en donde se contemplan diferentes cursos de accin alternativos, que confluyen como se ha indicado en un objetivo comn.

Variados cursos de accin alternativos constituyen una estrategia. Y cada curso de accin ser ptimo para un estado de la granja en particular. El estado de la granja se refiere a los valores que en un momento dado toman las diferentes variables (caractersticas fsicas) que configuran la granja y su entorno econmico (expectativa de precios).

Existe una gran diversidad de mtodos alternativos desarrollados como herramienta para la toma de decisiones. Sin embargo es importante tener claridad sobre el o los mtodos que mejor se ajustan a un problema dentro de un contexto particular dependiendo de la naturaleza del problema y del beneficio potencial de usar el resultado.

El incremento en el xito de los mtodos analticos aplicados a condiciones prcticas y el inters por el desarrollo de enfoques cuantitativos en sistemas de produccin animal es debido a muchos factores:

a) El progreso en tecnologas de la informacin que implica la disponibilidad de enormes cantidades de datos con diferentes niveles de agregacin. b) Mayores posibilidades de interaccin y cooperacin a nivel mundial entre los diferentes actores de este desarrollo, gracias tambin a los avances en las comunicaciones. c) La disponibilidad de mdulos de soporte lgico, amigables, rpidos y de cdigo abierto en la internet

d) La aplicacin de soportes lgicos en proceso de optimizacin que no requieren del uso de paquetes costosos ni computadores robustos y que en algunos casos pueden accederse tambin, va Internet e) La alta capacidad de gestin que puede ser confrontada con el trabajo a nivel de prototipos f) Los valores agregados de las tcnicas cuantitativas g) Los desarrollos tericos en trminos de complejidad (diseo de algoritmos de optimizacin) y sus aplicaciones prcticas

3 Particularidades de los sistemas de produccin animal

La definicin de los sistemas de produccin ha ido evolucionando, encontrando en la literatura diferentes grados de complejidad con enfoques eminentemente econmicos que consideran la combinacin de producciones y los factores de produccin (tierra, trabajo y capital). El estudio de los sistemas de produccin animal bajo esta concepcin estara considerando los recursos, la unidad de produccin y las producciones.

En la medida en que evoluciona la percepcin del entorno, se ampla el enfoque y se entiende a los sistemas de produccin animal como un sistema social, operando en funcin de objetivos concretos, que varan en la medida de su dinmica. Esta consideracin social, trae nuevos elementos al sistema de produccin, como por ejemplo, el concepto de sostenibilidad y el concepto de familia - explotacin, como lo mencionan Mantecn et l. (2003) y Nuthall (2011) que implican nuevas reglas de juego dentro del sistema de produccin. Este sistema no responde a simplemente a criterios de optimizacin, sino que involucra las particularidades expectativas del productor, sus objetivos y opiniones.

Bajo esta perspectiva, el sistema de produccin podra ser dividido en subsistemas que se relacionan entre s: el subsistema de produccin, el subsistema de decisin y el subsistema de informacin (Mantecon et l. 2003).

El subsistema de produccin se refiere a los factores de produccin bsicos; agentes biolgicos, y de capital humano especializado en el componente tecnolgico. Realiza todas las operaciones inherentes a la gestin de los procesos productivos. Las tcnicas y las prcticas realizadas dentro del sistema productivo. Dentro de estas, se pueden mencionar, el componente gentico, el manejo sanitario y fitosanitario, la nutricin y alimentacin animal, los insumos, los recursos hdricos, la produccin amigable con el medio ambiente, los productos, los mecanismos de financiacin y la estructura organizacional.

El subsistema de decisin se encarga de la direccin del subsistema de produccin, en funcin de los medios disponibles y los objetivos coyunturales y estratgicos del sistema de produccin. Tiene un fuerte componente socioeconmico y cultural en donde elementos como las expectativas, sueos y deseos del productor lo hacen complejo de interpretar.

El subsistema de informacin que se encarga de canalizar y decodificar la informacin externa y la que se genera gracias a los otros dos subsistemas. Dentro de este se mencionan los siguientes elementos: la disponibilidad de informacin tcnica, socioeconmica, financiera, ambiental, la formacin del recurso humano y la asesora.

Adicional a esto, y haciendo consideraciones de entorno, una explotacin puede ser considerada un subsistema incluido, de forma simultnea, en un sistema de industrias alimentarias, en un sistema ecolgico y en un sistema sociopoltico. Estos elementos influyen de manera significativa el sistema de produccin pecuaria.

3.1 El Riesgo y la Incertidumbre en Sistemas Pecuarios

Los productores pecuarios operan bajo un entorno de produccin con elementos que generan riesgo e incertidumbre como son:

Condiciones climticas Respuestas biolgicas al entorno Incidencia de enfermedades Disponibilidad y precios fluctuantes de los insumos y los productos Avances tecnolgicos Incertidumbre institucional Incertidumbre financiera

Como se puede ver, algunos son particulares de la produccin pecuaria y por su naturaleza exacerban el riesgo y la incertidumbre del sistema de produccin.

Como es natural el proceso de planeacin debe tomar en cuenta esa incertidumbre; debe contemplar cursos de accin alternativos que contrarresten dichas eventualidades. Por ejemplo, estimar la tendencia de los precios y entender la naturaleza de la fluctuacin de la variabilidad de estos, bajara los niveles de riesgo e incertidumbre en la granja.

4 Mtodos Matemticos
Es importante tener un entendimiento claro sobre algunas disciplinas dentro de las matemticas con capacidad de interpretar procesos biolgicos. Entre las distintas ramas contempladas por las matemticas, las siguientes son interesantes para la investigacin en escenarios que contemplan sistemas de produccin animal: la estadstica, la investigacin operativa y la matemtica aplicada. La ubicacin de estas tres disciplinas dentro del espectro de las matemticas se ilustra en la figura 2.

Estadstica

Investigacin operativa

Matemtica aplicada

Anlisis numrico

Matemtica pura

modelos empricos modelos mecansticos Figura 2. Disciplinas dentro del espectro de las matemticas.

La estadstica busca obtener y analizar datos cuantitativos basados en la teora de la probabilidad y sus modelos generados estn dentro de la categora de modelos empricos. Como ejemplo dentro de esta disciplina estn los anlisis de regresin. La investigacin operativa es una disciplina que abarca el desarrollo de conceptos, mtodos y herramientas que apoyan procesos complejos

relacionados con la toma de decisiones, con el objeto de hacer la mejor utilizacin de recursos limitados. Sus modelos generados estn dentro de la categora de modelos emprico-mecansticos. Un ejemplo clsico y de especial importancia dentro de esta disciplina es la programacin lineal (PL). Por su parte, la matemtica aplicada est relacionada con el estudio del mundo fsico como por ejemplo la mecnica y la termodinmica. Estos modelos matemticos son enteramente mecansticos. Un ejemplo clsico en este campo son las ecuaciones diferenciales.

5 Los Modelos Matemticos

Los modelos son representaciones simplificadas de la realidad mediante ecuaciones que para el caso se refiere al estado de la granja, a sus objetos y eventos y normalmente son diseados con el objeto de predecir las consecuencias de cursos de accin alternativos.

Los modelos hacen conexiones entre la teora y la experimentacin, de tal manera que reflejan una idea, una hiptesis o una relacin expresada matemticamente bajo el rigor del mtodo cientfico.

Los modelos que representan situaciones problema son expresados de manera genrica as (Nuthall, 2011):

Y = f (Xi , Wj)

Una parte controlada (X) y otra fuera del control (W) que puede ser variable o constante. f representa la relacin de ambas.

El paso fundamental en la construccin del modelo ser definir el propsito del modelo. En el modelo cada variable debe ser definida de tal manera que pueda ser medida y cuando el modelo sea usado para predecir, se deben dar distintos valores a esas variables que permitan ver los diferentes resultados que producir. Los modelos pueden ser percibidos como las hiptesis expresadas en trminos matemticos, as que como tal, estas deben ser probadas.

Las predicciones del modelo deben ser comparadas con tantas observaciones como sea posible con el objeto de validarlo, es decir de evaluar su legitimidad

El paso final es interpretar los resultados para que quien toma la decisin se apoye en ellos, ya que de alguna manera el modelo determina los valores ptimos de las variables que afectan la decisin.

5.1 CATEGORIZACION DE LOS MODELOS SEGN SU JERARQUIA ORGANIZACIONAL

Los organismos vivos tienen niveles jerrquicos de organizacin. Para las ciencias animales, un tpico esquema de su organizacin est representado en la tabla 1.

10

NIVEL i+3 i+2 i+1 i i-1 i-2 i-3

DESCRIPCION Coleccin de individuos Organismo (rgano) rgano Tejido Clula Organelo Molcula

Tabla 1, niveles de organizacin. Tomado de France y Kebreab, 2008.

Cada nivel est sustentado por la integracin sofisticada de sus componentes en su nivel inferior. Por ejemplo el funcionamiento de la clula depende del funcionamiento y las relaciones de sus organelos. En trminos de la jerarqua organizacional los modelos matemticos se dividen en tres categoras: los modelos teleonomicos que consideran aspectos del nivel superior. Los modelos empricos que examinan aspectos de su mismo nivel y los modelos mecansticos que contemplan aspectos del nivel inferior (France y Kebreab, 2008), (France y Dijkstra, 2008). Los modelos teleonomicos no son tan importantes en el campo de la modelacin biolgica.

5.1.1

MODELOS EMPIRICOS

Los

modelos

empricos ciertos

estn

dirigidos gracias

primordialmente a la

describir y la

cuantitativamente

patrones

observacin

experimentacin, sin intentar explicar los mecanismos subyacentes que lo explican. Por esta razn comnmente se les denomina cajas negras.

11

La cuantificacin de las relaciones se hace en un mismo nivel. Ejemplo, el nivel de consumo animal relacionado con el peso vivo del animal o la calidad de la dieta. Generalmente se acoge a la metodologa de la estadstica. Ejemplo tpico de ellos son los modelos de ajuste de curva.

5.1.2

MODELOS MECANSTICOS

Los modelos mecansticos buscan explicar las causas de los fenmenos (Morris, 2006). Estos modelos son construidos considerando la estructura del sistema, dividindolo en sus componentes ms relevantes y analizando el comportamiento de la totalidad del sistema basado en esos componentes relevantes y sus interacciones. En contraste con los modelos empricos, a estos se les denomina cajas blancas (Roush, 2006). De esta manera el modelador mecanstico busca construir una descripcin del sistema basado en los componentes y relaciones de un nivel inferior. Por ejemplo la ganancia de peso en un pez (nivel i) podra ser simulada a travs de un modelo que eventualmente explique la relacin de la temperatura con la tasa metablica (nivel i-1) .

5.1.3

MODELOS ESTOCASTICOS Y DE LOGICA DIFUSA

Dos de los pilares de la ciencia clsica han sido el orden y la precisin reflejada entre otras cosas en el desarrollo de modelos determinsticos. Sin embargo no todo en la naturaleza es exacto y preciso y en aras a interpretar esa realidad surgen los modelos estocsticos. Los modelos estocsticos y de lgica difusa, cambian el panorama de las respuestas exactas y precisas y generan sus predicciones en trminos de posibilidades y probabilidades.

12

Aunque los modelos mecansticos son deseables dado el nivel de comprensin del funcionamiento del sistema que ellos llevan implcitos, cuando se refiere a entornos de decisin que involucran conceptos biolgicos y econmicos, afirma Roush (2006), que adems de contemplar los mecanismos subyacentes, la inclusin de elementos estocsticos y dinmicos son necesarios. Por consiguiente, la construccin de modelos deberan incluir estos tres conceptos.

6 Implementacin en sistemas de produccin animal

La eficiencia de un sistema de produccin animal est determinado por la eficiencia en la toma de decisiones. Para ello se buscar la implementacin de estos modelos en una casustica particular dentro de un sistema de produccin animal.

13

Referencias bibliograficas

Bewley J. 2010. Precision Dairy Farming: Advanced Analysis Solutions for Future Profitability. En: The First North American Conference on Precision Dairy Management. Dumas A, France J, Bureau D. 2010. Modelling growth and body composition in fish nutrition: where have we been and where are we going?. Aquac Res. 41:161-181. France J. 2006. Introduction: History, Appreciation and Future Focus. En: Kebreab E, Dijkstra J, Bannink A, Gerrits WJJ, y France J. Nutrient Digestion and Utilization in Farm Animals. Guelph, Ontario. 447 p. France J, Dijkstra J. 2008. Scientific Progress and Mathematical Modelling: Different Approaches to Modelling Animal Systems. En: Gous R, Morris T, Fisher C editores. Mechanistic Modelling in Pig and Poultry Production. p. 6-21. France J, Kebreab E. 2008. Mathematical Modelling in Animal Nutrition. 1th ed. CABI. 640 p. Hendrix, E. M.T y B.G. Toth. Introduction to Nonlinear and Global Optimization. Springer, Cambridge, 2010. Hendrix, E.M.T. (1998), Global Optimization at Work , PhD thesis, Wageningen Agricultural University, Wageningen, ISBN: 90-5485-874-5 Kyriazakis I. 1999. A Quantitative Biology of the Pig. CABI. 398 p. Martinez E, Mantecn A. 2003. Bases para un desarrollo ganadero sostenible: la consideracin de la produccin animal desde una perspectiva sistmica y el estudio de la diversidad de las explotaciones. REV ESP de Estudios Agrosociales y Pesqueros. 199:159-191. Morris TR. 2006. An Introduction to Modelling in the Animal Sciences. En: Gous R, Morris T, Fisher C editores. Mechanistic Modelling in Pig and Poultry Production. p. 1-5. Nuthall P. 2001. Farm Business Management: Analysis of Farming Systems. CPI Group (UK) Ltd. 453p. Roush WB. 2006. Advancements in Empirical Models for Prediction and Prescription. En: Gous R, Morris T, Fisher C editors. Mechanistic Modelling in Pig and Poultry Production. p. 97-116.

14

Uribe C, Fonseca S, Bernal G, Contreras C, Castellanos O. 2011. Sembrando Innovacin para la Competitividad del Sector Agropecuario Colombiano. Ministerio de Agricultura y Desarrollo Rural. Bogot 178 p.

15