Vous êtes sur la page 1sur 34

UNIDAD TEMTICA I

INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES.


1.1.
ORIGEN,
PERSPECTIVA.

EVOLUCIN,

APLICACIONES

Si no conozco una cosa, la investigar, Louis


Pasteur

1.1.

ORIGEN, EVOLUCIN, APLICACIONES Y PERSPECTIVA:


Como su nombre lo dice, la investigacin de operaciones significa "hacer
investigacin sobre las operaciones". Entonces, la investigacin de operaciones se
aplica a problemas que se refieren a la conduccin y coordinacin de operaciones
o actividades) dentro de una organizacin.
La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la
investigacin de operaciones se ha aplicado de manera extensa en reas tan
diversas como la manufactura, el transporte, la constitucin, las
telecomunicaciones, la planeacin financiera, el cuidado de la salud, la milicia y los
servicios pblicos, por nombrar slo unas cuantas. As, la gama de aplicaciones es
extraordinariamente amplia.
La parte de investigacin en el nombre significa que la investigacin de
operaciones usa un enfoque similar a la manera en que se lleva a cabo la
investigacin en los campos cientficos establecidos. En gran medida, se usa el
mtodo cientfico para investigar el problema en cuestin. (De hecho, en
ocasiones se usa el trmino ciencias de la administracin como sinnimo de
investigacin de operaciones.) En particular, el proceso comienza por la
observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de
los datos pertinentes.
El siguiente paso es la construccin de un modelo cientfico (por lo general
matemtico) que intenta abstraer la esencia del problema real. En este punto se
propone la hiptesis de que el modelo es una representacin lo suficientemente

precisa de las caractersticas esenciales de la situacin como para que las


conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real.
Despus, se llevan a cabo los experimentos adecuados para probar esta
hiptesis, modificarla si es necesario y eventualmente verificarla. (Con frecuencia
este paso se conoce como validacin del modelo.) Entonces, en cierto modo, la
investigacin e operaciones incluyen la investigacin cientfica creativa de las
propiedades fundamentales de las operaciones. Sin embargo, existe ms que
esto. En particular, la IDO se ocupa tambin de la administracin prctica de la
organizacin. As, para tener xito, deber tambin proporcionar conclusiones
claras que pueda usar el tomador de decisiones cuando las necesite.
Una caracterstica ms de la investigacin de operaciones es su amplio punto de
vista ya que adopta un punto de vista organizacional. De esta manera, intenta
resolver los conflictos de intereses entre las componentes de la organizacin de
forma que el resultado sea el mejor para la organizacin completa. Esto no
significa que el estudio de cada problema deba considerar en forma explcita todos
los aspectos de la organizacin sino que los objetivos que se buscan deben ser
consistentes con los de toda ella.
Una caracterstica adicional es que la investigacin de operaciones intenta
encontrar una mejor solucin, (llamada solucin ptima) para el problema bajo
consideracin. (Decimos una mejor solucin y no la mejor solucin porque pueden
existir muchas soluciones que empaten como la mejor.) En lugar de contentarse
con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin
posible. Aun cuando debe interpretarse con todo cuidado en trminos de las
necesidades reales de la administracin, esta "bsqueda de la optimidad" es un
aspecto importante dentro de la investigacin de operaciones.
Todas estas caractersticas llevan de una manera casi natural a otra. Es evidente
que no puede esperarse que un solo individuo sea un experto en todos los
mltiples aspectos del trabajo de investigacin de operaciones o de los problemas
que se estudian; se requiere un grupo de individuos con diversos antecedentes y
habilidades.
Entonces, cuando se va a emprender un estudio de investigacin de operaciones
completo de un nuevo problema, por lo general es necesario emplear el empleo de
equipo. Este debe incluir individuos con antecedentes firmes en matemticas,
estadstica y teora de probabilidades, al igual que en economa, administracin de
empresas, ciencias de la computacin, ingeniera, ciencias fsicas, ciencias del
comportamiento y, por supuesto, en las tcnicas especiales de investigacin de
operaciones. El equipo tambin necesita tener la experiencia y las habilidades

necesarias para permitir la consideracin adecuada de todas las ramificaciones


del problema a travs de la organizacin.

IMPACTO DE LA INVESTIGACION DE OPERACIONES


La investigacin de operaciones ha tenido un impacto impresionante en el
mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. En
el proceso, la investigacin de operaciones ha hecho contribuciones significativas
al incremento de la productividad dentro de la economa de varios pases. Hay
ahora ms de 30 pases que son miembros de la International Federation of
Operational Research Societies (IFORS), en la que cada pas cuenta con una
sociedad de investigacin de operaciones.
Sin duda, el impacto de la investigacin de operaciones continuar aumentando.
Por ejemplo, al inicio de la dcada de los 90, el U.S. Bureau of Labor Statistics
predijo que la IO sera el rea profesional clasificada como la tercera de ms
rpido crecimiento para los estudiantes universitarios en Estados Unidos,
graduados entre 1990 y 2005. Pronostic tambin que, para el ao 2005, habra
100 000 personas trabajando como analistas de investigacin de operaciones.

RIESGO AL APLICAR LA INVESTIGACIN DE OPERACIONES.


Al aplicar la I de O al estudio de sistemas y a la resolucin de problemas se corre
el riesgo de tratar de manipular los problemas para buscar que se ajusten a las
diferentes tcnicas, modelos de algoritmos establecidos en lugar de analizar los
problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los
mtodos apropiados, es decir resolver el problema utilizando los mtodos que
proporcionan las mejoras soluciones y no buscar ajustar el problema a un mtodo
especfico.
Para llegar a hacer un uso apropiado de la I de O, es necesario primero
comprender la metodologa para resolver los problemas, as como los
fundamentos de las tcnicas de solucin para de esta forma saber cundo
utilizarlas o no en las diferentes circunstancias.

QU ES LA INVESTIGACIN DE OPERACIONES?
Como toda disciplina en desarrollo, la investigacin de operaciones ha ido
evolucionando no slo en sus tcnicas y aplicaciones sino en la forma como la
conceptualizan los diferentes autores, en la actualidad no existe solamente una
definicin sino muchas, algunas demasiado generales, otras demasiado
engaosas, aqu seleccionamos dos de las mas aceptadas y representativas.
La definicin de Churchman, Ackoff y Arnoff: la investigacin de
operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a
problemas relacionados con el control de las organizaciones o sistemas (hombremquina), a fin de que se produzcan soluciones que mejor sirvan a los objetivos
de la organizacin.
De sta definicin se pueden destacar los siguientes conceptos:
1.
Una organizacin es un sistema formado por componentes que se
interaccionan, unas de estas interacciones pueden ser controladas y otras no.
2. En un sistema la informacin es una parte fundamental, ya que entre las
componentes fluye informacin que ocasiona la interaccin entre ellas. Tambin
dentro de la estructura de los sistemas se encuentran recursos que generan
interacciones. Los objetivos de la organizacin se refieren a la eficacia y eficiencia
con que las componentes pueden controlarse, el control es un mecanismo de
autocorreccin del sistema que permite evaluar los resultados en trminos de los
objetivos establecidos.
3. La complejidad de los problemas que se presentan en las organizaciones ya no
encajan en una sola disciplina del conocimiento, se han convertido en
multidisciplinario por lo cual para su anlisis y solucin se requieren grupos
compuestos por especialistas de diferentes reas del conocimiento que logran
comunicarse con un lenguaje comn.
4. La investigacin de operaciones es la aplicacin de la metodologa cientfica a
travs modelos matemticos, primero para representar al problema y luego para
resolverlo. La definicin de la sociedad de investigacin de operaciones de la Gran
Bretaa es la siguiente:
La investigacin de operaciones es el ataque de la ciencia moderna a los
complejos problemas que surgen en la direccin y en la administracin de grandes
sistemas de hombres, mquinas, materiales y dinero, en la industria, en los
negocios, en el gobierno y en la defensa. Su actitud diferencial consiste en

desarrollar un modelo cientfico del sistema tal, que incorpore valoraciones de


factores como el azar y el riesgo y mediante el cual se predigan y comparen los
resultados de decisiones, estrategias o controles alternativos. Su propsito es el
de ayudar a la gerencia a determinar cientficamente sus polticas y acciones.

HISTORIA: ORGENES DE LA INVESTIGACIN DE OPERACIONES.


La toma de decisiones es un proceso que se inicia cuando una persona
observa un problema y determina que es necesario resolverlo procediendo a
definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a
generar alternativas de solucin y evaluarlas hasta seleccionar la que le parece
mejor, este proceso puede se cualitativo o cuantitativo.
El enfoque cualitativo se basa en la experiencia y el juicio personal, las
habilidades necesarias en este enfoque son inherentes en la persona y aumentan
con la prctica. En muchas ocasiones este proceso basta para tomar buenas
decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del
estudio de herramientas matemticas que le permitan a la persona mejorar su
efectividad en la toma de decisiones. Este enfoque es til cuando no se tiene
experiencia con problemas similares o cuando el problema es tan complejo o
importante que requiere de un anlisis exhaustivo para tener mayor posibilidad de
elegir la mejor solucin.
La investigacin de operaciones proporciona a los tomadores de decisiones
bases cuantitativas para seleccionar las mejores decisiones y permite elevar su
habilidad para hacer planes a futuro.
En el ambiente socioeconmico actual altamente competitivo y complejo,
los mtodos tradicionales de toma de decisiones se han vuelto inoperantes e
inadmisibles ya que los responsables de dirigir las actividades de las empresas e
instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez
que requieren de soluciones creativas y prcticas apoyadas en una base
cuantitativa slida.
En organizaciones grandes se hace necesario que el tomador de decisiones
tenga un conocimiento bsico de las herramientas cuantitativas que utilizan los
especialistas para poder trabajar en forma estrecha con ellos y ser receptivos a las
soluciones
y
recomendaciones
que
se
le
presenten.

En organizaciones pequeas puede darse que el tomador de decisiones


domine las herramientas cuantitativas y l mismo las aplique para apoyarse en
ellas y as tomar sus decisiones.
Desde al advenimiento de la Revolucin Industrial, el mundo ha sido testigo
de un crecimiento sin precedentes en el tamao y la complejidad de las
organizaciones.
Los pequeos talleres artesanales se convirtieron en las corporaciones
actuales de miles de millones de pesos. Una parte integral de este cambio
revolucionario fue el gran aumento en la divisin del trabajo y en la separacin de
las responsabilidades administrativas en estas organizaciones.
Los resultados han sido espectaculares. Sin embargo, junto con los
beneficios, el aumento en el grado de especializacin creo nuevos problemas que
ocurren hasta la fecha en muchas empresas. Uno de estos problemas es la
tendencia de muchas de las componentes de una organizacin a convertirse en
imperios relativamente autnomos, con sus propias metas y sistemas de valores,
perdiendo con esto la visin de la forma en que encajan sus actividades y
objetivos con los de toda la organizacin. Lo que es mejor para una componente,
puede ir en detrimento de otra, de manera que pueden terminar trabajando con
objetivos opuestos.
Un problema relacionado con esto es que, conforme la complejidad y la
especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a las
diferentes actividades de la manera ms eficaz para la organizacin como un todo.
Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos,
proporcionaron el ambiente adecuado para el surgimiento de la INVESTIGACIN
DE OPERACIONES (IO).
Las races de la investigacin de operaciones se remontan a muchas
dcadas, cuando se hicieron los primeros intentos para emplear el mtodo
cientfico en la administracin de una empresa. Sin embargo, el inicio de la
actividad llamada investigacin de operaciones, casi siempre se atribuye a los
servicios militares prestados a principios de la segunda guerra mundial.
Debido a los esfuerzos blicos, exista una necesidad urgente de asignar
recursos escasos a las distintas operaciones militares y a las actividades dentro de
cada operacin, en la forma ms efectiva. Por esto, las administraciones militares
americana e inglesa hicieron un llamado a un gran nmero de cientficos para que
aplicaran el mtodo cientfico a ste y a otros problemas estratgicos y tcticos.

De hecho, se les pidi que hicieran investigacin sobre operaciones


(militares).
Estos equipos de cientficos fueron los primeros equipos de IO. Con el
desarrollo de mtodos efectivos para el uso del nuevo radar, estos equipos
contribuyeron al triunfo del combate areo ingls. A travs de sus investigaciones
para mejorar el manejo de las operaciones antisubmarinas y de proteccin,
jugaron tambin un papel importante en la victoria de la batalla del Atlntico Norte.
Esfuerzos similares fueron de gran ayuda en una isla de campaa en el pacfico.
Al terminar la guerra, el xito de la investigacin de operaciones en las
actividades blicas gener un gran inters en sus aplicaciones fuera del campo
militar. Como la explosin industrial segua su curso, los problemas causados por
el aumento en la complejidad y especializacin dentro de las organizaciones
pasaron de nuevo a primer plano.
Comenz a ser evidente para un gran nmero de personas, incluyendo a
los consultores industriales que haban trabajado con o para los equipos de IO
durante la guerra, que estos problemas eran bsicamente los mismos que los
enfrentados por la milicia, pero en un contexto diferente. Cuando comenz la
dcada de 1950, estos individuos haban introducido el uso de la investigacin de
operaciones en la industria, los negocios y el gobierno. Desde entonces, esta
disciplina se ha desarrollado con rapidez.
Se pueden identificar por lo menos otros dos factores que jugaron un papel
importante en el desarrollo de la investigacin de operaciones durante este
perodo. Uno es el gran progreso que ya se haba hecho en el mejoramiento de las
tcnicas disponibles en esta rea.
Despus de la guerra, muchos cientficos que haban participado en los
equipos de IDO o que tenan informacin sobre este trabajo, se encontraban
motivados a buscar resultados sustanciales en este campo; de esto resultaron
avances importantes. Un ejemplo sobresaliente es el mtodo simplex para
resolver problemas de programacin lineal, desarrollada en 1947 por George
Dantzing. Muchas de las herramientas caractersticas de la investigacin de
operaciones, como programacin lineal, programacin dinmica, lneas de espera
y teora de inventarios, fueron desarrolladas casi por completo antes del trmino
de la dcada de 1950.
Un segundo factor que dio mpetu al desarrollo de este campo fue el
advenimiento de las computadoras. Para manejar de una manera efectiva los
complejos problemas inherentes a esta disciplina, por lo general se requiere un

gran nmero de clculos. Llevarlos a cabo a mano puede resultar casi imposible.
Por lo tanto, el desarrollo de la computadora electrnica digital, con su capacidad
para realizar clculos aritmticos, miles o tal vez millones de veces ms rpido
que los seres humanos, fue una gran ayuda para la investigacin de operaciones.
Un avance ms tuvo lugar en la dcada de 1980 con el desarrollo de las
computadoras personales cada vez ms rpidas, acompaado de buenos
paquetes de software para resolver problemas de IDO, esto puso las tcnicas al
alcance de un gran nmero de personas. Hoy en da, literalmente millones de
individuos tienen acceso a estos paquetes. En consecuencia, por rutina, se usa
toda una gama e computadoras, desde las grandes hasta las porttiles, para
resolver problemas de investigacin de operaciones.

ENFOQUE DE LA INVESTIGACIN DE OPERACIONES:


La parte innovadora de la IDO es sin duda alguna su enfoque modelstico,
producto de sus creadores aunado a la presin de supervivencia de la guerra o la
sinergia generada al combinarse diferentes disciplinas, una descripcin del
enfoque es la siguiente:
1. Se define el sistema real en donde se presenta el problema. Dentro del
sistema interactan normalmente un gran nmero de variables.
2. Se seleccionan las variables que norman la conducta o el estado actual del
sistema, llamadas variables relevantes, con las cuales se define un sistema
asumido del sistema real.
3. Se construye un modelo cuantitativo del sistema asumido, identificando y
simplificando las relaciones entre las variables relevantes mediante la
utilizacin de funciones matemticas.
4. Se obtiene la solucin al modelo cuantitativo mediante la aplicacin de una
o ms de las tcnicas desarrolladas por la IDO.
5. Se adapta e imprime la mxima realidad posible a la solucin terica del
problema real obtenida en el punto 4, mediante la consideracin de factores
cualitativos o no cuantificables, los cuales no pudieron incluirse en el
modelo. Adems se ajusta los detalles finales va el juicio y la experiencia
del tomador de decisiones.
6. Se implanta la solucin en el sistema real.

METODOLOGA DE LA INVESTIGACION DE OPERACIONES

Definicin del problema y recoleccin de datos.


La mayor parte de los problemas prcticos con los que se enfrenta el
equipo IO estn descritos inicialmente de una manera vaga. Por consiguiente, la
primera actividad que se debe realizar es el estudio del sistema relevante y el
desarrollo de un resumen bien definido del problema que se va a analizar. Esto
incluye determinar los objetivos apropiados, las restricciones sobre lo que se
puede hacer, las interrelaciones del rea bajo estudio con otras reas de la
organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para
tomar una decisin, etc.
Este proceso de definir el problema es crucial ya que afectar en forma
significativa la relevancia de las conclusiones del estudio. Es difcil extraer una
respuesta
"correcta"
a
partir
de
un
problema
"equivocado"!
Por su naturaleza, la investigacin de operaciones se encarga del bienestar de
toda la organizacin, no slo de algunos de sus componentes. Un estudio de IO
busca soluciones ptimas globales y no soluciones subptimas aunque sean lo
mejor para uno de los componente.
Entonces, idealmente, los objetivos que se formulan deben coincidir con los
de toda la organizacin. Sin embargo, esto no siempre es conveniente. Muchos
problemas interesan nada ms a una parte de la organizacin, de manera que el
anlisis sera innecesariamente besado si los objetivos fueran muy generales y si
se prestara atencin especial a todos los efectos secundarios sobre el resto de la
organizacin. En lugar de ello, los objetivos usados en un estudio deben ser tan
especficos como sea posible, siempre y cuando contemplen las metas principales
del tomador de decisiones y mantengan un nivel razonable de consistencia con los
objetivos de los altos niveles.
Las condiciones fundamentales para que exista un problema es que se
establezca una diferencia entre lo que es (situacin actual) y lo que debe ser
(situacin deseada u objetivo) y adems exista cuando menos una forma de
eliminar o disminuir esa diferencia. Los componentes de un problema son:
a) El tomador de decisiones o ejecutivo;
b) Los objetivos de la organizacin;
c) El sistema o ambiente en el que se sita el problema;
d) Los cursos de accin alternativos que se pueden tomar para resolverlo.
Para formular un problema se requiere;

a)

Identificar las componentes y variables controlables y no controlables


del sistema;

b)

Identificar los posibles cursos de accin, determinados por las


componentes controlables;

c)

Definir el marco de referencia dado por las componentes no


controlables;

d)

Definir los objetivos que se busca alcanzar y clasificarlos por orden


de importancia;

e)

Identificar las interpelaciones importantes entre las diferentes partes


del sistema y encontrar las restricciones que existen.

APLICACIONES, PERSPECTIVA.
Cul es la forma ms eficiente de asignar ciertos recursos escasos para
conseguir la ms alta tasa de retorno? Cul es la mejor manera de asignar rutas
a una flotilla de transporte de bienes que deben ser colocados en bodegas de
distribuidores para que los costos sean ms bajos? Cuntas ventanillas deben
colocarse en un banco en las horas normales y en las horas y das pico para que
los clientes no se desesperen y se vayan al banco que est cruzando la calle?
Cuntas cajas registradoras debe habilitar un supermercado para que el
largo de las colas no entorpezcan la circulacin de los clientes que an estn
comprando y de los trabajadores que colocan mercadera, etiquetan y dan
atencin al pblico? De qu manera debe asignarse un presupuesto en una
industria (o en un sector de la economa de un pas), para que se satisfaga la
demanda interna y externa del bien o servicio que produce?
Cul ser la demanda de lneas telefnicas para el ao 2020, teniendo en
cuenta el crecimiento natural de la poblacin, el cambio de sus hbitos, la
produccin, el nmero de profesionales, escuelas, comercios, etctera, que habr
en ese entonces? Ser posible hacer predicciones (aproximadas por supuesto)
de cuntas escuelas, comercios, profesionales, etctera, habr en el ao 2020?
Gran cantidad de preguntas para comenzar un estudio sobre Investigacin de
Operaciones (IO), pero definitivamente es muy oportuno porque es en estos casos
donde los especialistas en esta disciplina pueden apoyar a los dems.
Mucho se dice de la formacin previa que se debe tener para hacer
Investigacin de Operaciones, incluso hay autores que an dicen en sus libros,

que no se requiere ningn conocimiento de matemtica para poder leerlo, sin


embargo, no advierten a los estudiantes que tampoco podrn resolver problemas
reales sino solamente algunos ejemplos de juguete que se encuentran ah mismo.
Nuestra experiencia en el campo de la enseanza y la aplicacin de las
herramientas de la IDO, nos han hecho ver que para hacer IDO en forma
profesional aceptable, se requiere de una slida preparacin en Estadstica
Descriptiva e Inferencial, conocimientos sobre las aplicaciones del Clculo
Diferencial e Integral y del Algebra Lineal, y desde luego, principios generales de
Economa, de lo contrario, el estudioso de la Investigacin de Operaciones se
sentir decepcionado y el que debe aplicarla se frustrar a menudo.

Algunos casos empresariales de investigacin operativa.


Existen muchas organizaciones que han marcado diferencias significativas
en su campo de accin gracias a la implementacin de tcnicas de investigacin
de operaciones y de acuerdo al artculo Aportes a la Investigacin de
Operaciones a la Competitividad Empresarial escrito por Martha Luz Surez
Rincn presentaremos algunos ejemplos de casos empresariales exitosos de
aplicacin de mtodos cuantitativos realizada por INFORMS (Institute for
Operations Research and the Management Sciences) en 2007
En el negocio del trasporte ferroviario, la empresa Canadian Pacific
Railway pudo reducir sus costos en U$285 millones por medio de un modelo
matemtico que permiti manejar los horarios de acuerdo con las necesidades del
servicio de entrega de carga y los tiempos previstos.
Continental Airlines pudo resolver la asignacin de aeronaves y tripulacin
cuando se presentaban cambios en los vuelos programados por diversas razones
como mal tiempo o averas por medio de un sistema de soporte a las decisiones
computarizado basado en un modelo matemtico. Esto les permiti convertirse en
la primera aerolnea norteamericana en recuperar su puntualidad y confiabilidad
despus del 11 de Septiembre del 2001, adicionalmente ahorraron U$400 millones
de dlares por mejor manejo de la programacin de vuelos.
Motorola logr cambiar su negociacin con los proveedores de partes
utilizando un sistema de optimizacin en lnea que incluye las restricciones y
estndares de calidad propias de los productos Motorola. Con este sistema,
llamado MINT, Motorola pudo reducir en un 4% los costos relacionados con la
cadena de suministro.

La Compaa automotriz Ford acostumbraba construir y realizar pruebas a


sus vehculos prototipo para verificacin de sus nuevos diseos, lo cual resultaba
costoso cuando se llegaba a la conclusin cuando los prototipos no eran viables y
se deban descartar.
En asociacin con la Universidad del Estado de Wayne, los expertos en
organizacin operativa disearon un modelo de optimizacin de prototipos para
reducir el nmero de vehculos prototipo necesarios para las pruebas de
verificacin, lo cual signific reducciones de costos superiores a los U$ 100
millones.
La compaa de maquinaria agrcola John Deere, que maneja una amplia
gama de productos con demanda y tasas de produccin variables, cambi su
manejo de inventarios que le permiti hacer predicciones de los picos y bajas de la
demanda. El sistema, mediante clculos matemticos estadsticos apoya las
decisiones respecto al inventario y a la programacin de produccin, como
tambin a la logstica de transporte y ubicacin de los productos en las diferentes
cedes de la empresa. Al implementar esta mejora en la gestin del inventario John
Deere puedo reducir sus costos significativamente y elevar su nivel de servicio al
cliente.
Peugeot Citroen se concentr en reducir los cuellos de botella en su
proceso productivo, dado que maneja una amplia lnea de modelos de autos en
sus plantas, diseadas con una arquitectura de flujo nico. Se cre un sistema
basado en modelos matemticos y simulacin que permiti redisear los procesos
de fabricacin de los vehculos para hacerlos ms flexibles y eficientes, lo cual ha
permitido a Peugeot Citroen elevar su participacin en el mercado.
Como se puede ver en los ejemplos presentados, las grandes
multinacionales se han beneficiado de manera significativa con las tcnicas de la
IO. La reduccin de costos que permiten los modelos matemticos estn en la
misma lnea de las estrategias de liderazgo, las decisiones que se toman en el
rea de operaciones de las organizaciones impactan en la capacidad de competir
en los mercados globales, donde la investigacin de operaciones aporta mejoras
en la productividad con ello, se puede concluir que las decisiones tomadas con
base en los modelos matemticos de la investigacin de operaciones aumentan la
competitividad en el mbito empresarial.

1.2.

MODELO MATEMTICO PARA LA INVESTIGACIN DE


OPERACIONES.

Una vez definido el problema del tomador de decisiones, la siguiente etapa


consiste en reformularlo de manera conveniente para su anlisis. La forma
convencional en que la investigacin de operaciones realiza esto es construyendo
un modelo matemtico que represente la esencia del problema. Antes de analizar
como formular los modelos de este tipo, se explorar la naturaleza general de los
modelos y, en particular, la de los modelos matemticos.
El modelo matemtico est constituido por relaciones matemticas
(ecuaciones y desigualdades) establecidas en trminos de variables, que
representa la esencia el problema que se pretende solucionar.
Para construir un modelo es necesario primero definir las variables en
funcin de las cuales ser establecido. Luego, se procede a determinar
matemticamente cada una de las dos partes que constituyen un modelo: a) la
medida de efectividad que permite conocer el nivel de logro de los objetivos y
generalmente es una funcin (ecuacin) llamada funcin objetivo; b) las limitantes
del problema llamadas restricciones que son un conjunto de igualdades o
desigualdades que constituyen las barreras y obstculos para la consecucin del
objetivo.
Un modelo siempre debe ser menos complejo que el problema real, es una
aproximacin abstracta de la realidad con consideraciones y simplificaciones que
hacen ms manejable el problema y permiten evaluar eficientemente las
alternativas de solucin. Los modelos matemticos tienen muchas ventajas sobre
una descripcin verbal del problema.
Una ventaja obvia es que el modelo matemtico describe un problema en
forma mucho ms concisa. Esto tiende a hacer que toda la estructura del
problema sea ms comprensible y ayude a revelar las relaciones importantes
entre causa y efecto. De esta manera, indica con ms claridad que datos
adicionales son importantes para el anlisis.
Tambin facilita simultneamente el manejo del problema en su totalidad y
el estudio de todas sus interpelaciones. Por ltimo, un modelo matemtico forma
un puente para poder emplear tcnicas matemticas y computadoras de alto
poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de
paquetes de software para muchos tipos de modelos matemticos, para micro y
minicomputadoras.
Por otro lado, existen obstculos que deben evitarse al usar modelos
matemticos. Un modelo es, necesariamente, una idealizacin abstracta del
problema, por lo que casi siempre se requieren aproximaciones y suposiciones de
simplificacin si se quiere que el modelo sea manejable (susceptible de ser

resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una
representacin vlida del problema.
El criterio apropiado para juzgar la validez de un modelo es el hecho de si
predice o no con suficiente exactitud los efectos relativos de los diferentes cursos
de accin, para poder tomar una decisin que tenga sentido. En consecuencia, no
es necesario incluir detalles sin importancia o factores que tienen
aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es
necesario que la magnitud absoluta de la medida de efectividad sea
aproximadamente correcta para las diferentes alternativas, siempre que sus
valores relativos (es decir, las diferencias entre sus valores) sean bastante
preciso. Entonces, todo lo que se requiere es que exista una alta correlacin entre
la prediccin del modelo y lo que ocurre en la vida real. Para asegurar que este
requisito se cumpla, es importante hacer un nmero considerable de pruebas del
modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se haya
colocado despus en el orden del libro, gran parte del trabajo de validacin del
modelo se lleva a cabo durante la etapa de construccin para que sirva de gua en
la obtencin del modelo matemtico.

OBTENCIN DE UNA SOLUCIN A PARTIR DEL MODELO.


Resolver un modelo consiste en encontrar los valores de las variables
dependientes, asociadas a las componentes controlables del sistema con el
propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la
efectividad del sistema dentro del marco de referencia que fijan los objetivos y las
restricciones del problema. La seleccin del mtodo de solucin depende de las
caractersticas del modelo.
Los procedimientos de solucin pueden ser clasificados en tres tipos: a)
analticos, que utilizan procesos de deduccin matemtica; b) numricos, que son
de carcter inductivo y funcionan en base a operaciones de prueba y error; c)
simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un
modelo. Muchos de los procedimientos de solucin tienen la caracterstica de ser
iterativos, es decir buscan la solucin en base a la repeticin de la misma regla
analtica hasta llegar a ella, si la hay, o cuando menos a una aproximacin.
PRUEBA DEL MODELO.

El desarrollo de un modelo matemtico grande es anlogo en algunos


aspectos al desarrollo de un programa de computadora grande. Cuando se
completa la primera versin, es inevitable que contenga muchas fallas. El
programa debe probarse de manera exhaustiva para tratar de encontrar y corregir
tantos problemas como sea posible. Eventualmente, despus de una larga serie
de programas mejorados, el programador (o equipo de programacin) concluye
que el actual da, en general, resultados razonablemente vlidos. Aunque sin duda
quedarn algunas fallas ocultas en el programa (y quiz nunca se detecten, se
habrn eliminado suficientes problemas importantes como para que sea confiable
utilizarlo.
De manera similar, es inevitable que la primera versin de un modelo
matemtico grande tenga muchas fallas. Sin duda, algunos factores o
interpelaciones relevantes no se incorporaron al modelo y algunos parmetros no
se estimaron correctamente. Esto no se puede eludir dada la dificultad de la
comunicacin y la compresin de todos los aspectos y sutilezas de un problema
operacional complejo, as como la dificultad de recolectar datos confiables.
Por lo tanto, antes de usar el modelo debe probarse exhaustivamente para
intentar identificar y corregir todas las fallas que se pueda. Con el tiempo, despus
de una larga serie de modelos mejorados, el equipo de IDO concluye que el
modelo actual produce resultados razonablemente vlidos. Aunque sin duda
quedarn algunos problemas menores ocultos en el modelo (y quiz nunca se
detecten), las fallas importantes se habrn eliminado de manera que ahora es
confiable usar el modelo. Este proceso de prueba y mejoramiento de un modelo
para incrementar su validez se conoce como validacin del modelo.
Debido a que el equipo de IDO puede pasar meses desarrollando todas las
piezas detalladas del modelo, es sencillo "no ver el bosque por buscar los
rboles". Entonces, despus de completar los detalles ("los rboles") de la versin
inicial del modelo, una buena manera de comenzar las pruebas es observarlo en
forma global ("el bosque") para verificar los errores u omisiones obvias. El grupo
que hace esta revisin debe, de preferencia, incluir por lo menos a una persona
que no haya participado en la formulacin. Al examinar de nuevo la formulacin
del problema y comprarla con el modelo pueden descubrirse este tipo de errores.
Tambin es til asegurarse de que todas las expresiones matemticas sean
consistentes en las dimensiones de las unidades que emplean. Adems, puede
obtenerse un mejor conocimiento de la validez del modelo variando los valores de
los parmetros de entrada y/o de las variables de decisin, y comprobando que los
resultados del modelo se comporten de una manera factible. Con frecuencia, esto

es especialmente revelador cuando se asignan a los parmetros o a las variables


valores extremos cercanos a su mximo o a su mnimo.
Un enfoque ms sistemtico para la prueba del modelo es emplear una
prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y
reconstruye el pasado para determinar si el modelo y la solucin resultante
hubieran tenido un buen desempeo, de haberse usado. La comparacin de la
efectividad de este desempeo hipottico con lo que en realidad ocurri, indica si
el uso del modelo tiende a dar mejoras significativas sobre la prctica actual.
Puede tambin indicar reas en las que el modelo tiene fallas y requiere
modificaciones. Lo que es ms, el emplear las alternativas de solucin y estimar
sus desempeos histricos hipotticos, se pueden reunir evidencias en cuanto a lo
bien que el modelo predice los efectos relativos de los diferentes cursos de accin.
Cuando se determina que el modelo y la solucin no son vlidos, es necesario
iniciar nuevamente el proceso revisando cada una de las fases de la metodologa
de la investigacin de operaciones.

ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION.


Una solucin establecida como vlida para un problema, permanece como
tal siempre y cuando las condiciones del problema tales como: las variables no
controlables, los parmetros, las relaciones, etc., no cambien significativamente.
Esta situacin se vuelve ms factible cuando algunos de los parmetros fueron
estimados aproximadamente. Por lo anterior, es necesario generar informacin
adicional sobre el comportamiento de la solucin debido a cambios en los
parmetros del modelo. Usualmente esto se conoce como anlisis de sensibilidad.
En pocas palabras, esta fase consiste en determinar los rangos de variacin de los
parmetros dentro de los cuales no cambia la solucin del problema.

IMPLANTACION DE LA SOLUCIN.
El paso final se inicia con el proceso de "vender" los hallazgos que se
hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. Una
vez superado ste obstculo, se debe traducir la solucin encontrada a
instrucciones y operaciones comprensibles para los individuos que intervienen en
la operacin y administracin del sistema. La etapa de implantacin de una

solucin se simplifica en gran medida cuando se ha propiciado la participacin de


todos los involucrados en el problema en cada fase de la metodologa.
Preparacin para la aplicacin del modelo.
Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los
beneficios del estudio. Por lo tanto, es importante que el equipo de IDO participe,
tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un
procedimiento operativo, como para corregir cualquier defecto en la solucin que
salga a la luz en este momento.
El xito de la puesta en prctica depende en gran parte del apoyo que
proporcionen tanto la alta administracin como la gerencia operativa. Es ms
probable que el equipo de IDO obtenga este apoyo si ha mantenido a la
administracin bien informada y ha fomentado la gua de la gerencia durante el
estudio. La buena comunicacin ayuda a asegurar que el estudio logre lo que la
administracin quiere y por lo tanto merezca llevarse a la prctica. Tambin
proporciona a la administracin el sentimiento de que el estudio es suyo y esto
facilita el apoyo para la implantacin.
La etapa de implantacin incluye varios pasos.
Primero, el equipo de investigacin de operaciones de una cuidadosa
explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y
su relacin con la realidad operativa.
En seguida, estos dos grupos comparten la responsabilidad de desarrollar
los procedimientos requeridos para poner este sistema en operacin.
La gerencia operativa se encarga despus de dar una capacitacin
detallada al personal que participa, y se inicia entonces el nuevo curso de accin.
Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto
en mente, el equipo de IDO supervisa la experiencia inicial con la accin tomada
para identificar cualquier modificacin que tenga que hacerse en el futuro.
A la culminacin del estudio, es apropiado que el equipo de investigacin de
operaciones documento su metodologa con suficiente claridad y detalle para que
el trabajo sea reproducible.
Poder obtener una rplica debe ser parte del cdigo de tica profesional del
investigador de operaciones. Esta condicin es crucial especialmente cuando se
estudian polticas gubernamentales en controversia.

LIMITACIONES DE LA INVESTIGACIN DE OPERACIONES.


1. Frecuentemente es necesario hacer simplificaciones del problema original
para poder manipularlo y detener una solucin.
2. La mayora de los modelos slo considera un solo objetivo y frecuentemente
en las organizaciones se tienen objetivos mltiples.
3. Existe la tendencia a no considerar la totalidad de las restricciones en un
problema prctico, debido a que los mtodos de enseanza y
entrenamiento dan la aplicacin de esta ciencia centralmente se basan en
problemas pequeos para razones de ndole prctico, por lo que se
desarrolla en los alumnos una opinin muy simplista e ingenua sobre la
aplicacin de estas tcnicas a problemas reales.
4. Casi nunca se realizan anlisis costo-beneficio de la implantacin de
soluciones definidas por medio de la I de O, en ocasiones los beneficios
potenciales se van superados por los costos ocasionados por el desarrollo e
implantacin de un modelo.
MODELOS ESPECFICOS DE LA INVESTIGACIN DE OPERACIONES.

Planeacin de la Produccin
Asignacin de personal
Transporte
Inventarios
Dietas
Mercado
Estrategias de Inversin
Etc.

CMO SE TRABAJA EN INVESTIGACIN DE OPERACIONES?


La Investigacin de Operaciones busca el ptimo resultado en la utilizacin
de recursos escasos y usa el mtodo cientfico. El orden habitual de las
investigaciones que se realizan con este instrumental es el siguiente:
1.

Se define el problema que se desea resolver en la forma ms completa y


clara que sea posible.

2.

Se construye un modelo apropiado que represente al sistema o al proceso


en estudio (matematizacin del problema).

3.

Se deduce una o varias soluciones a partir del modelo construido.

4.

Se hace una prueba del modelo y de la solucin obtenida, contrastando


esto con la realidad, si es que existe informacin suficiente, de lo contrario
el contraste se hace con modelos secundarios.

5.

Se ajusta el modelo y se monitorea el resultado.

6.

Se implementa la solucin, esto es, se pone a trabajar al modelo y sus


soluciones.

Veamos en detalle cada una de las partes que acabamos de enumerar:


1. Definicin del problema.
No es posible iniciar la bsqueda de la solucin de un problema si no est
claro cul es el problema? Al investigador no le debe caber la menor duda de que
sabe correctamente lo que busca, de lo contrario cualquier cosa que encuentre
est bien y est mal, lo cual es una contradiccin. Siempre nos debemos
responder cuestiones tales como: Cules son los objetivos? Cules las
acciones a tomar y cules sus alternativas? Cules son las restricciones? Cmo
se medirn los resultados? La definicin del problema debe ser clara, concisa y
con palabras sencillas que no dejen lugar a varias interpretaciones.
2. Construccin del modelo apropiado que represente al sistema o proceso en
estudio. Un modelo, desde el punto de la Investigacin de Operaciones, es una
representacin de una realidad (o de una idealidad). Estos pueden ser: Icnicos
(representaciones fsicas como los aeromodelos, las maquetas, los carritos, los
muecos, etctera); anlogos, la mayora de los cuales son ms dinmicos que
los icnicos y pueden mostrar comportamientos derivados de acciones, como las
superficies y las curvas de oferta y demanda, los nomogramas de ingeniera que
describen fenmenos de deformacin de estructuras o comportamientos de todas
las variables de una caldera, etctera; Redes grficas, como las redes CPMPERT, Project, Harvard y otras, que se utilizan para la planificacin, ejecucin y
control de proyectos; Matemticos o Simblicos, los cuales se describen
generalmente por medio de sistemas de m ecuaciones con n incgnitas o en
forma matricial: A*x = b, donde A es un matriz, y, x y b son vectores de los
espacios vectoriales Rm y Rn, respectivamente.
Es habitual que la funcin llamada funcin objetivo y que es la que se desea
optimizar, se escriba en forma separada como f(x) = z. Existen otras
clasificaciones pero consideramos que para los fines de este artculo es
suficientemente claro si nos referimos slo a estos cuatro. Por otro lado, se dice
que los modelos son Determinsticos, como los de Programacin Lineal y

Transporte; y, Probabilsticos, como las Cadenas de Markov, los de Teora de


Juegos, Teora de Decisiones, las lneas de Espera y otros.
3. Deduccin de una o varias soluciones.
Cuando el modelo ha sido bien escogido o construido, se espera que la
solucin del problema real sea terico. Algunas veces no es posible obtener
soluciones exactas para el problema original, entonces aceptaremos soluciones
aproximadas o bien usamos soluciones alternas en la construccin del modelo. Es
posible y no es nada raro que podamos detectar varias soluciones alternas.
4. Pruebas del modelo y contraste con la realidad.
Comparaciones de soluciones con las de modelos secundarios. Usando
informacin histrica, sta se mete al modelo y se observa si los resultados son
coincidentes con los resultados reales que fueron observados a travs del tiempo,
luego se hace lo mismo con informacin del perodo ex post (la informacin
obtenida durante la poca de construccin) y se compara con el funcionamiento
real del proceso.
5. Ajustes del modelo y monitoreo de resultados.
En este momento ya tenemos a nuestro modelo dndonos resultados
aceptables (parecidos, si no iguales a los observados), se hace un balance y se ve
si vale la pena hacer ajustes a los coeficientes y organizacin de la estructura del
modelo para obtener mejores resultados o si por el contrario es necesario hacer
reingeniera.
Debe seguirse haciendo comparaciones con varias generaciones de resultados
para lograr afinar el modelo.
6.

Implementacin de la solucin.

Una vez pasadas todas las pruebas que dan seguridad sobre el
funcionamiento del instrumento, se da la capacitacin necesaria a las personas
que tendrn a su cargo la operacin del modelo, preparando todas las
herramientas de cmputo para que se elaboren automticamente los reportes que
permitirn a los tomadores de decisin hacer su trabajo.

LAS PRINCIPALES
OPERACIONES.

HERRAMIENTAS

DE

LA

INVESTIGACIN

DE

Cuando hablamos de herramientas en IDO, nos estamos refiriendo a los


diferentes modelos tericos (como por ejemplo, modelos de transporte y teora de
colas), y a otras disciplinas (como matemtica, administracin, economa,

etctera), que se utilizan como instrumentos de trabajo habitual para el profesional


de la Investigacin de Operaciones. Debe quedar claro, sin embargo, que cada da
se agregan ms tipos de modelos y otras disciplinas imposibles de enumerar en
este momento.
De la misma manera la Investigacin de Operaciones es considerada, ella
misma como una herramienta al servicio de otras disciplinas. Es bien conocido
que la Administracin de Negocios se ha estado beneficiando grandemente de la
Investigacin de Operaciones ahora que se ha iniciado toda una revolucin con el
uso de Planificacin Estratgica, Reingeniera y los programas de Calidad Total,
para mencionar algunos.
A continuacin presentamos una lista, no exhaustiva, de diferentes tipos de
modelos que se podran considerar como herramientas de la Investigacin de
Operaciones, sugerimos al lector revisarla y compararla con los contenidos de
libros clsicos de IDO:
1. Modelos grficos de programacin lineal.
2. Modelos algebraicos de programacin lineal.
3. Redes y programacin lineal para transporte.
4. Modelos de toma de decisin en condiciones de incertidumbre.
5. Modelos de toma de decisin en condiciones de certeza.
6. Modelos Bayesianos.
7. Procesos estocsticos con cadenas de Markov.
8. Lneas de espera (Teora de colas).
9. Modelos de optimizacin con redes para la planeacin, ejecucin y control de
proyectos.
10. Cadenas de Markov para el reemplazo de activos fijos.
11. Modelos de inventarios determinsticos.
12. Modelos de inventarios probabilsticos.
13. Modelos de programacin dinmica y teora de juegos.
14. Modelos de simulacin para la obtencin de informacin experta.
15. Modelos heursticos de autoaprendizaje y autocorreccin.

Los expertos Hillier y Lieberman dicen en su tratado (usado como texto


durante varias generaciones de estudiosos de la Investigacin de Operaciones)
con la Revolucin Industrial se invent la divisin del trabajo y esto trajo como
consecuencia un crecimiento en la dimensin y complejidad de las organizaciones.
Como ya lo hemos comentado en otro artculo de esta revista, la
superespecializacin de los individuos, los departamentos de las industrias y an
las mismas industrias, produjo un efecto de aparente desorden (a veces aparente
y a veces real) dentro de las organizaciones, ya que se intentaba armar
rompecabezas con todas las piezas que producan los especialistas. Sin las
tcnicas y modelos de la IDO. La situacin hubiese devenido en un caos, fue esta
herramienta (o si lo queremos decir en trminos ms globales, las herramientas) la
que permiti organizar todos los cabos sueltos y al mismo tiempo la situacin hizo
que la IDO creciera
Nosotros sabemos que la reingeniera propone olvidarnos de la divisin del trabajo
y regresar a una especie de todologa ya que esto evita los pasos laterales que no
agregan valor a los procesos y nos da la opcin de atender directamente al
beneficiario del proceso el cliente! Las tcnicas de redes, teora de colas,
modelos de inventarios, programacin lineal, transporte, etctera, aunado a la
capacitacin del personal y a la tecnologa cambiante y agresiva son, en esta era
de la Planificacin Estratgica, los instrumentos indispensables para la
Reingeniera y la Calidad Total.

MODELIZACIN.
Clasificacin.
En numerosas ciencias, entre ellas la Economa, se hace necesario el
estudio y anlisis de fenmenos del mundo real, por ello se hace necesario el
mtodo cientfico basado en la construccin de modelos. Aunque hay numerosas
acepciones y definiciones de un modelo, hemos elegido la de Aracil (1): Un
modelo constituye una representacin abstracta de un cierto aspecto de la
realidad, y tiene una estructura que est formada por los elementos que
caracterizan el aspecto de la realidad modelada y por las relaciones entre estos
elementos".
A partir de este concepto de modelo se pueden obtener distintas
clasificaciones (icnico, analgicos, simblicos, etc.), sin embargo, solo estamos
interesados en los modelos matemticos, es decir, los modelos formales basados

en la lgica matemtica, y se basan en un conjunto de relaciones matemticas


(tales como ecuaciones, inecuaciones, relaciones lgicas, etc.) que se
corresponden con las relaciones del mundo real (tales como relaciones
tecnolgicas, leyes fsicas, restricciones del mercado, etc.).
La importancia de la construccin de los modelos matemticos en la
Economa es evidente, no obstante vamos a enumerar algunas de ellas (2):
1. La construccin de modelos revela, a veces, relaciones que no son evidentes a
primera vista.
Este resultado se alcanza con el mejor conocimiento que se adquiere cuando se
empieza a modelar, es decir, cuando mejor se va conociendo la realidad del
fenmeno que se intenta representar.
2. Una vez construido el modelo matemtico, es posible extraer de l propiedades
y caractersticas de las relaciones entre los elementos que de otra forma
permaneceran ocultas. Tambin, es posible representar situaciones complejas
que no son admisibles en otro tipo de modelos, y no slo es esa posibilidad de
modelizacin, sino tambin la de resolucin del mismo, aunque no sea una
solucin analtica sino numrica (realizada por un ordenador).
3. En la mayora de las situaciones econmicas del mundo real, no es factible
experimentar con la realidad, ya que puede ser prohibitivamente caro, peligroso
hasta, imposible. Por ejemplo, si se intenta conocer el impacto de la puesta en
prctica de una determinada accin de Poltica Econmica en un determinado
pas.
En este caso para evaluar las consecuencias se construye un modelo
donde se puedan analizar los resultados en diversas situaciones con un coste
prcticamente nulo y sin riesgos sociales ni econmicos.
Es importante resaltar que un modelo est realmente definido por las
relaciones que incorpora. Estas relaciones son independientes de los datos a
introducir en el modelo, ya que un modelo puede ser usado para diferentes
ocasiones y en varios contextos diferentes.
Aunque acabamos de ver algunas de las ventajas de la modelizacin, sobre
el uso de los modelos en la economa hay posturas diferentes, por una parte estn
las personas que ponen en tela de juicio la validez de los modelos, en tanto en
cuanto, no son capaces de cuantificar muchas instancias de los problemas reales,
por ejemplo, el coste ola utilidad social.

Otros niegan su utilidad basndose en el grado de precisin de los datos a


incorporar al modelo matemtico. Pero frente a estos, en el otro extremo estn los
fervientes defensores de la modelizacin total para la toma de decisiones, en este
caso convendra resaltar que la calidad de las respuestas que produce el modelo,
depende obviamente, de la seguridad de su estructura y de los datos a l
incorporados, y que una excesiva confianza en ellos es peligroso.
No vamos a entrar en esta polmica, sino que lo nico que queremos es
poner de manifiesto que los modelos deben usarse como una herramienta ms
para la toma de decisiones y que deben valorarse en su justa medida, ya que
difcilmente es comprensible un problema complejo sin una mnima modelizacin,
aunque tambin hay que reconocer que no es posible modelar la totalidad de las
situaciones reales.
Con anterioridad nos hemos referido a tipos de modelos basados en sus
formas de representacin (icnico, analgicos, simblicos), no obstante podemos
establecer otros tipos de clasificaciones de los modelos matemticos:
Clasificados segn su funcin:

Modelos predictivos: Este tipo de modelos nos informan del


comportamiento de la variable en un futuro, es decir, lo que debera ser. A
este tipo de modelos corresponden aquellos basados en tcnicas
estadsticas y/o economtricas, es decir, modelos de previsin.
Modelos evaluativos: Una tcnica evaluativa corresponde a medir las
diferentes alternativas, y as poder comparar los resultados de ellas. Este
tipo de modelos se corresponden con los denominados arboles de decisin.
Modelos de optimizacin: Se trata de modelos que tratan de identificar un
optimo (por lo general, el optimo global) del problema, es decir, buscan la
mejor de las alternativas posibles. Estos mtodos son los que estn
basados en las tcnicas de programacin matemtica.

Otra clasificacin de los modelos se basa en la realidad que pretender modelar,


as podemos hablar de:

Modelos deterministas versus modelos estocsticos. En los modelos


deterministas todos los datos del problema se conocen con absoluta
certeza, mientras que cuando esto no es as tenemos los modelos
estocsticos. Por lo general los modelos ms realistas son los modelos
estocsticos, pero tienen la dificultad de poderlos resolver adecuadamente,
y muchas de las tcnicas aplicables a los modelos estocsticos tratan de
reducir el problema a su versin determinista para poderlo resolver.

Modelos estticos versus modelos dinmicos. En un modelo esttico la


variable tiempo no desempea un papel relevante, mientras que en los
modelos dinmicos la variable fundamental, y de la que dependen las
restante variables relevantes. Adems, la variable tiempo se considera
como una variable continua. Una vez establecida una serie de
clasificaciones de los modelos, es conveniente plantear una medida de su
solucin, ya que el objetivo de plantear el modelo es el poderlo resolver y
extraer de la solucin los resultados necesarios para la toma de decisiones.

El nivel de re solubilidad de los problemas es funcin de tres caractersticas


fundamentales:
a) El tamao del problema: El numero de variables y ecuaciones que contiene.
Cuanto mayor sea este nmero, es ms difcil de resolver.
b) La clase del problema: Lineal, Entero y No lineal, y adems por ese orden, es
decir, los problemas lineales son "fcilmente" resolubles, mientras que los no
lineales son "intrnsecamente" difciles de resolver.
c) El tipo de instancias utilizadas: Ciertas o deterministas, con riesgo (conocemos
las probabilidades de ocurrencia), con incertidumbre (conocemos los resultamos
posibles pero no las probabilidades
de ocurrencia) y turbulencia (no conocemos
nada).

FASES DEL PROCESO DE MODELIZACIN.


Acabamos de exponer algunas ideas generales sobre los modelos.
Interesa, ahora, resaltar brevemente cuales son, en general, las etapas a seguir
para llegar a construir un buen modelo:
1.- Fase de Conceptualizacin. Llegar a tener un profundo conocimiento de la
realidad que se trata de modelar, es decir, ser capaces de representar
conceptualmente el problema sin ningn tipo de contradicciones lgicas ni de
errores de anlisis.
2.- Fase de Formalizacin. Establecer de forma clara y correcta (desde el punto de
vista matemtico) las relaciones entre los elementos, de tal forma que, adems,
sea fcilmente entendible y que puedan detectar rpidamente los errores. El xito
de esta fase depende, obviamente, de que se haya establecido correctamente la
fase anterior.

3.- Fase de Evaluacin. En esta fase, adems de establecer la forma en la que


debe ser el procedimiento de resolucin a emplear, ser posible interpretarlo
correctamente.
Para la aplicacin prctica para modelar un problema de optimizacin podemos
seguir las siguientes reglas basadas en la experiencia:
a) Anlisis del problema.
Buscar o intuir los deseos del decisor ( a veces no es la misma persona) de
forma que se establezca claramente cul es el objetivo que se persigue, que
limitaciones existen, etc. Todo ello debe tenerse en cuenta aunque no est
formalizado, sino simplemente una relacin de las diferentes condiciones.
b) Definicin de las variables, es decir, identificar las posibles decisiones.
Esta fase hay que identificar (e interpretar el significado) y denominar a las
variables. Este segundo aspecto, aunque puede parecer trivial es tambin de gran
importancia. Hay que denominar a las variables de forma que sean fcilmente
reconocibles, es decir, que nos indique que quieren representar. Muchas veces, se
denominan a las variables, por sencillez, x 1, x2, xb, etc., pero estos nombres no
nos informan de forma inmediata de su significado, por ello es conveniente
denominarlas de forma ms coherentes, por ejemplo, si queremos identificar la
cantidad de madera necesaria para producir mesas la podramos denominar
MADMESA en lugar de x2.
La eleccin del nombre debe ajustarse a las caractersticas del decisor, y
tambin a la longitud de caracteres admisibles por los programas de ordenador
que resuelven estos problemas, por lo general sera admisible un nombre de hasta
ocho caracteres. A la hora de identificar las variables tenemos que tomar en
consideracin si las variables son deterministas o estocsticas, si son endgenas
o exgenas, etc., es decir, ante qu clase de variables vamos a tratar en el
problema.
c) Identificacin y formalizacin de las restricciones.
Esta es tambin una fase importante, posteriormente realizaremos algunos
comentarios sobre esta fase al hablar de los problemas no lineales. Se trata en
definitiva de identificar cules son las limitaciones a las que est sujeto el
problema, y el plantearlas matemticamente. A veces esto no resulta muy sencillo.
En esta fase hay que denominar e identificar a las restricciones con los nombre
adecuados, de forma que sea fcil interpretar los resultados obtenidos.

d) Por ltimo, hay que identificar la funcin objetivo, es decir, la


cuantificacin de los resultados que se desean alcanzar.
Aunque no en todos los problemas es inmediato definir el objetivo, siempre
es posible encontrar una funcin que permita evaluar los resultados de cada una
de las acciones.
Para verificar estas condiciones, seguidamente abordaremos algunas
consideraciones para llegar a concretar las fases enumeradas anteriormente,
estos pasos son simplemente una derivacin de las reglas del sentido comn
aplicadas a la construccin de los modelos.
En primer lugar, abordaremos algunos aspectos importantes sobre los
modelos lineales, lo ms usuales en el campo econmico, para posteriormente ir
aumentando la complejidad va los modelos discretos y los modelos no lineales.
No obstante, estos principios generales se concretaran para el caso ms
general de los problemas no lineales.

REGLAS BSICAS DE MODELIZACIN.


Los modelos lineales son aquellos en los que tanto la funcin objetivo como
las restricciones son funciones lineales y por tanto son susceptibles de resolverse
a travs de la programacin lineal. Estos modelos, son los ms conocidos y los
ms usados en las aplicaciones econmicas, y por tanto no vamos a extendernos
mucho sobre este aspecto, sino simplemente resaltaremos las hiptesis bsicas
sobre las que se asientan este tipo de modelos.
La primera hiptesis es la divisibilidad, es decir, todas las variables del
modelo pueden tomar cualquier valor real. A efectos prcticos, si una variable no
es infinitamente divisible, pero su nivel de actividad normal es muy grande en
trminos de sus unidades de medida, la suposicin de divisibilidad puede servir
como aproximacin conveniente.
La segunda hiptesis es la de linealidad, estos significa:
a) Proporcionalidad en las contribuciones.
La contribucin individual de cada variable es estrictamente proporcional a
su valor, y el factor de proporcionalidad es constante para todo el rango de valores
que la variable puede tomar.

b) Aditividad de las contribuciones.


La contribucin total de todas las variables es igual a la suma de las
contribuciones individuales independientemente de los valores de las variables.
La tercera hiptesis, aplicable fundamentalmente a los problemas
econmicos, es la no negatividad de las variables del problema. Esta hiptesis, no
es en s absolutamente necesaria, ya que para problemas ms generales donde
las variables puedan tomar cualquier valor, es decir, lo que se conoce como
variables libres, estas pueden expresarse como diferencia de dos variables
restringidas a tomar valores no negativos.
Al eliminar algunas de esta hiptesis bsicas de los modelos lineales
aparecen los casos ms generales, por una parte los modelos discretos o enteros
que surgen al suprimir la hiptesis de divisibilidad, y por otra parte los modelos no
lineales, los cuales tienen su origen al relajar la condicin de linealidad de las
relaciones. Los modelos enteros, como hemos dicho anteriormente, surgen al
eliminar la hiptesis primera de los modelos lineales, es decir, al exigir que las
variables tomen solo valores enteros. En este caso aparece la denominada
programacin discreta o entera, y en el caso de mantener la hiptesis de
linealidad, tenemos su representacin ms caracterstica que son los modelos
lineales y enteros, Vamos a considerar una serie de reglas generales, aplicables
tanto a los problemas lineales, enteros o no lineales, y posteriormente se har
hincapi en algunas reglas especificas para modelos particulares.
Vamos a enumerar algunas de las situaciones y condiciones que deben
tenerse en cuanta a la hora de construir modelos enteros y modelos no lineales.
1.- Formular, primero, un modelo sencillo e ir agregndole caractersticas en
consonancia con la direccin de optimizacin deseada.
Un modelo a optimizar debe ser desarrollado buscando un equilibrio razonable
entre la seguridad en el modelo (lo que usualmente implica aadir complejidad a la
formulacin) y la facilidad de optimizacin.
Esto puede conseguirse utilizando un procedimiento de optimizacin sobre
versiones cada vez ms complejas del modelo, es decir, en forma de un
refinamiento 'paso a paso'. Con ello se consigue que los efectos sobre el modelo
de la introduccin de mayor complejidad puedan ser de alguna forma
"visualizados", y poder as descubrir mucho antes las dificultades importantes que
si el modelo se plantea de forma directa en su versin ms completa.
Este procedimiento iterativo de la construccin de modelos esta
especialmente indicado cuando tenemos que modelar un sistema con algunos

subsistemas interconectados, y en los cuales cada uno de ellos requiere extensos


clculos. En el caso particular de los modelos enteros, antes de decidir la
construccin de un modelo entero, debe hacerse una estimacin del tamao
potencial, ya que si el nmero de variables enteras es de algunos cientos y el
modelo no tiene alguna estructura especial, es probable entonces que el programa
entero sea demasiado costoso de resolver.
(Conviene resaltar que los problemas enteros son no polinomiales, es decir,
que el tiempo de resolucin crece de forma exponencial con relacin al nmero de
restricciones, pero especialmente con relacin al nmero de variables enteras que
contenga el modelo.
Tambin en los problemas enteros, si el modelo construido resulta
demasiado difcil de resolver por los mtodos generales de programacin entera,
es posible a veces recurrir a los denominados mtodos heursticos que en
determinadas ocasiones pueden producir aproximaciones bastante buenas para
los problemas de grandes dimensiones.
2.- Evitar definir en un modelo funciones que sean el resultado de algn
procedimiento iterativo
(Como la solucin de una ecuacin diferencial o la resolucin de una
integral).
Las funciones del modelo definidas por un procedimiento iterativo son, a
menudo, una fuente de discontinuidades que pueden impedir el avance de los
procesos de optimizacin. La solucin de estos subproblemas (aunque sea posible
definirla con una precisin total) requiere un considerable esfuerzo computacional,
y esto puede considerarse como un despilfarro, dado que la integral, la ecuacin
diferencial, etc., solo es una aproximacin de algn fenmeno social ms
complicado.
Por ello, una estrategia a seguir en este caso consiste en discretizar el
problema antes de aplicar el procedimiento de optimizacin, ya que las soluciones
exactas de los problemas continuos se encuentran por refinamientos en la
discretizacin entre las optimizaciones. Como pone de manifiesto esta estrategia
se ve, nuevamente, lo valioso de intercalar modelizacin y optimizacin, puesto
que la obtencin de un grado creciente de exactitud es simplemente un proceso
de modelizacin.

3.- Tomar con precaucin la naturaleza de las restricciones

Es importante analizar la naturaleza de las restricciones que intervienen en


el problema con el fin de extraer de ellas sus propiedades para mejorar la eficacia
de los mtodos de optimizacin que debemos usar. A la hora de construir un
modelo debemos separar las restricciones lineales, no lineales y de acotacin, no
solo para poder analizar mejor el modelo, sino tambin para servirnos de
orientacin acerca del software que debemos usar en cada caso concreto.
Debemos, evitar la transformacin de un tipo de restricciones en otro. La
transformacin de un problema de una forma a otra era en el pasado, a veces,
inevitable cuando los algoritmos para la optimizacin no restringida eran ms
numerosos y ms efectivos que los algoritmos de optimizacin restringida.
Era una prctica comn, por ejemplo, en el caso de las restricciones de
acotacin es el transformarlas mediante un cambio de variable. No obstante, hoy
por hoy, esta prctica no es aconsejable y es ms bien perjudicial, ya que los
algoritmos para problemas con solamente restricciones de acotacin simple o de
cota generalizada son ms eficientes que los algoritmos para problemas no
restringidos. Y adems, en la actualidad se tiende a incorporar restricciones de
acotacin sobre las variables con el fin de acelerar el proceso.
En el caso de problemas enteros, realizar un examen en profundidad de la
estructura del programa entero puede resultar muy valioso. Puede ser, por
ejemplo, un modelo de problema entero puro con una estructura unimodular, y en
este caso podra usarse la programacin lineal, la cual en un tiempo razonable
resuelve un problema con miles de variables y restricciones. Si el problema no
tiene una estructura unimodular pero es parecida, sera posible transformarlo, y en
este caso siempre podra recurrirse a la literatura y a la experiencia computacional
para informarse acerca de la naturaleza y de las dificultades de los problemas con
estructura similar.
4.- No evitar las restricciones de igualdad.
En este caso, no se trata tanto de convertir las restricciones lineales de
igualdad en dos restricciones de desigualdad con signos opuestos, sino que se
trata ms bien de poner de manifiesto una prctica que tambin era habitual
antao.
El procedimiento era el siguiente: las variables se dividan en dos conjuntos,
las variables "independientes" y las variables "dependientes", de tal modo que la
optimizacin se realizaba nicamente con las variables independientes y las
variables dependientes se determinaban al "resolver" las restricciones de igualdad,
es decir encontrando la solucin a ese sistema de ecuaciones no lineales formado
por las variables dependientes una vez hallados los valores de las otras variables.

Esta prctica, que como hemos dicho era habitual antao debido a las deficiencias
del software, en la actualidad es de todo punto inviable no solo por lo errneo del
procedimiento sino tambin porque el esfuerzo computacional que requiere no
compensa la realizacin de la optimizacin completa.
5.- Distinguir entre las restricciones "hard" y "soft".
Se denota, por lo general, restricciones "hard" a aquellas restricciones que
no es posible violarlas, mientras que por restricciones "soft" se denotan aquellas
restricciones en las que est permitido que puedan violarse, si con ello se
consigue una mejora sustancial, tanto en el modelo como en el procedimiento de
optimizacin.
Por ejemplo, en un modelo de planificacin de la produccin la
disponibilidad de espacio de la planta seria una restriccin del tipo "hard", es decir
que no puede violarse, mientras que las disponibilidades de mano de obra no
especializada seria una restriccin"soft", restriccin que podra violarse
contratando a nuevos trabajadores a corto plazo.
En general, las restricciones "soft" suponen un coste por la violacin, por
tanto, se trata de evaluar el coste de esa violacin en trminos de mejora de la
funcin, y por ello, tambin se introducen variables de desviacin para poder
evaluar este impacto. Una consideracin sobre la introduccin de estas variables
la podremos ver en el captulo dedicado a la optimizacin con objetivos mltiples.
6.- Evitar crear modelos que tengan restricciones de igualdad similares, es decir,
que sean casi dependientes. El plantear modelos con restricciones que sean muy
similares puede provocar que al introducir pequeas variaciones en los datos del
modelo se produzca una distorsin muy grande en los resultados esperados del
modelo. Recurdese que los puntos factibles del modelo se obtienen de la
interseccin de todas las restricciones, cuando dos restricciones son casi
dependientes se convierten en casi paralelas, con lo que ello significa de
alteracin de las posibles soluciones, para ilustrar este caso consideremos el
siguiente pequeo ejemplo, de un sistema lineal de dos ecuaciones con dos
incgnitas:
Sea el sistema:
x+ y=2
x+ 1.0001 y=2

Este sistema tiene como solucin: x = 2 e y = 0.


Pero consideremos ahora una pequea variacin en el trmino independiente de
la segunda restriccin, es decir, que en lugar de ser 2 sea 2,0001, el nuevo
sistema es:
x+ y=2
x+ 1.0001 y=2.0001

Este sistema tiene como solucin: x = 1 e y = 1, notablemente distinta de la


anterior. Por tanto, en la medida de lo posible debemos evitar el construir en el
modelo este tipo de restricciones.
La razn est en que el determinante de la matriz est muy prximo al valor
cero, es decir, es una matriz casi-singular.
7.-. Usar toda la informacin disponible sobre el problema para el escalamiento de
las variables y las restricciones
La escala de un problema es la medida de la importancia de las variables y
las restricciones, es decir, es una magnitud que nos informa de que es "grande" o
"pequeo" en el modelo, es decir, de lo importante o no que puede resultar una
variable o una restriccin en el conjunto del modelo.
Es importante resaltar la trascendencia respecto de la correcta resolucin
del modelo, el que tanto las variables como las restricciones estn perfectamente
escaladas, es decir, este correctamente ponderada su importancia.
Ello significa, tomando como ejemplo una variable, que si el valor que se
espera pueda tomar al resolver el modelo tenga un nmero significativo de dgitos
(por ejemplo, la variable representa varios miles de millones de pesetas) en este
caso sera conveniente que en lugar de expresar la variable en bolvares se
expresase en millones de bolvares, con ello se evita la perdida de significacin
que se produce por la necesidad de almacenamiento en los ordenadores.
Un caso similar, pero de significado opuesto ocurre cuando la magnitud de la
variable es infinitesimal. Por ejemplo, en un problema de mezcla cuando la
magnitud de la variable es de orden de 10, en este caso el considerar la variable
en su valor normal puede producir errores ya que el ordenador puede considerar
este valor, significativo para el anlisis, como cero si es inferior a la condicin de
tolerancia de factibilidad definida, y por ello sera conveniente amplificar su valor

tomando el significado de la variable como millonsimas partes. El obviar estas


consideraciones puede repercutir negativamente en la exactitud de la solucin.
Hay que notar que estas transformaciones tendrn un efecto posterior sobre otras
magnitudes del la solucin, por ello hay que tener la precaucin de una vez
resuelto el problema interpretar correctamente los resultados y las posibles
implicaciones. Un ejemplo de este tipo de escalamiento, as como su correcta
interpretacin lo analizaremos con posterioridad al ver algunas aplicaciones de la
programacin lineal.
8.- Verificar cuidadosamente todos los datos introducidos en el problema.
La introduccin de datos es la fuente de la mayora de los errores que se producen
en la resolucin de los problemas, por ello habr que revisar varias veces, y a ser
posibles por persona distinta, todos los datos introducidos en el problema, ya que
se trata de los errores de ms difcil deteccin y con ello la generacin de
soluciones no adecuadas al fin perseguido es muy comn.
En el caso de los problemas no lineales, tendremos que aadir una serie de reglas
adicionales a las expuestas con anterioridad.
1.- Intentar modelizar con funciones que sean diferenciables
Posiblemente, la propiedad ms importante de las funciones en los modelos con
respecto a la facilidad de optimizacin sea la diferenciabilidad, esto es importante
ya que la mayora de los algoritmos estn basados sobre el uso de la informacin
disponible en un punto para deducir su comportamiento en otros puntos.
Si las funciones del modelo son de clase C , la capacidad de un algoritmo para
localizar las soluciones ptimas se ve muy favorecida en comparacin con los
modelos similares, donde las funciones son no diferenciables. Otra de las ventajas
de modelar funciones diferenciables, est relacionada con la convergencia propia
de cada algoritmo, as como con la precisin tanto de la funcin como de la
precisin relativa de las maquinas sobre las que se va a resolver el problema.
2.- Tratar de obtener la mayor cantidad de informacin posible sobre la funcin.
De forma que podamos tomar en consideracin la mayora de las propiedades
importantes de cara al proceso de optimizacin posterior. Como ya hemos dicho
anteriormente, una de las propiedades deseables es construir funciones que sean
diferenciables, de forma que se puedan usar algoritmos diferenciales en el
proceso. Otra de las caractersticas importantes a conseguir seria que la funcin
verifique alguna propiedad relacionada con la convexidad para as poder tener un

mayor nmero de elementos de juicio acerca de la naturaleza y calidad de la


solucin.
3.- Verificar cuidadosamente las funciones del problema.
As como una correcta determinacin de un punto de partida. Antes de empezar
el proceso de optimizacin con el algoritmo especificado es absolutamente
necesario verificar la correcta introduccin de las funciones que haya definido el
usuario, ya que ello proporciona el error ms comn.
Tales errores no son nunca pequeos, y ningn algoritmo puede funcionar
correctamente ente la presencia de inexactitudes en la evaluacin de dichas
magnitudes. As mismo, todos los algoritmos necesitan de un punto de partida
para iniciar la bsqueda del optimo, por ello es vital elegir un buen punto de
partida, o mejor dicho, no partir de un mal punto.
Podemos denominar puntos de partida "malos" aquellos que producen algn
problema en la funcin, por ejemplo, puntos donde se anula alguna derivada,
punto donde no est definida la funcin, etc.

EJEMPLOS DE MODELOS MATEMTICOS

Un modelo es producto de una abstraccin de un sistema real: eliminando las


complejidades y haciendo suposiciones pertinentes, se aplica una tcnica
matemtica y se obtiene una representacin simblica del mismo.