Investigación

de operaciones

Herramientas
Matemáticas VI -
Modelos de
Simulación

1
Investigación de operaciones
Actualmente, las organizaciones se enfrentan constantemente a
problemas, nuevos desafíos y situaciones por resolver. Con base en esto,
tienen que tomar decisiones para definir acciones y actividades que
permitan abordar dichas complicaciones.

La investigación de operaciones (conocida por sus siglas IO) es una

disciplina que tiene como base el método científico, y cuyo objetivo es
ayudar a las organizaciones en la toma de decisiones. (Hillier F., Hillier M.,
2008).

La Investigación de Operaciones se refiere a la toma de

decisiones óptimas en, y modelización de, sistemas
determinísticos y probabilísticos que se originan en la vida
real. Estas aplicaciones, las cuales ocurren en el gobierno, en
los negocios, en ingeniería, en economía y en ciencias
sociales e naturales, son caracterizadas por la necesidad de
asignar recursos limitados. En estas situaciones, puede ser
obtenida una considerable comprensión a partir del análisis
científico. La contribución del abordaje de la investigación
de operaciones deriva principalmente de:
1) Estructuración de la situación de vida real en un
modelo matemático, abstrayendo los elementos esenciales
para que pueda ser buscada una solución relevante para los
objetivos de los que toman las decisiones. Esto significa
mirar el problema dentro del contexto del sistema entero.
2) Exploración de la estructura de tales soluciones y
desarrollo de procedimientos sistemáticos para obtenerlos.
Desarrollo de una solución, incluyendo la teoría matemática
si fuera necesario, que permita un valor óptimo del sistema
de medida que sea deseable. (Hiller, y Lieberaman, 1988,
pp. 17-18).

Como la aplicación de un estudio de investigación de operaciones es muy

amplia y abarca diferentes campos, rubros o departamentos de una
organización, este estudio se lleva a cabo por un equipo de trabajo.
Generalmente, este equipo es formado por administradores, matemáticos,
personas del área del problema que se tiene, e inclusive, puede contar con
psicólogos y especialistas en comportamientos. Esta diversidad permite

2
considerar diferentes puntos de vista, obteniendo así una defición más
clara de lo que se está analizando.

Fases de una investigación de operaciones

Un estudio de investigación de operaciones es un proceso, por lo tanto
sigue una serie de fases o etapas.

1) Definición del problema.

2) Contrucción del modelo.
3) Solución del modelo.
4) Validación del modelo.
5) Implementación de la solución.

Definición del problema

Es la fase en la que se determinan el problema y su alcance. Es una tarea

que involucra todo el equipo de una IO. Como fin de esta etapa, debe
quedar definido lo siguiente.

 Descripción de las alternativas del problema (alternativas de decisión).

Es decir, cuáles son las opciones que tenemos para tomar la decisión.
Ejemplos de estas alternativas son: producir o no un determinado
producto, cantidad a producir, brindar o no un servicio, como modificar
un determinado proceso, etcétera. (Taha, 2004).
 Objetivo del estudio. Es decir, cuál sería el criterio para la decisión. Por
ejemplo, maximizar las utilidades, minimizar el tiempo de producción,
minimizar el uso de recursos, etcétera.
 Limitaciones o restricciones del problema. Se refiere a condiciones
externas que lo limitan. Por ejemplo:
o la cantidad de productos debe ser menor que la capacidad de
producción;
o el tiempo de producción no puede ser inferior o superior a una
determinada cantidad de minutos u horas.

Construcción del modelo

“Un modelo es una representación explícita y externa de parte de la

realidad como la ven las personas que desean usar el modelo para
entender, cambiar, gestionar y controlar dicha parte de la realidad” (Pidd,
1996, p. 12). O sea, un modelo permite representar de forma abstracta una
situación real.

3
En un estudio de investigación de operaciones, este modelo es, en la
mayoría de los casos, matemático. Esta tarea es llevada a cabo,
generalmente, por matemáticos o especialistas en campos afines. Es una
etapa clave y difícil del proceso de IO. Implica creatividad y poder de
abstracción para poder tranformar las informaciones del problema en
variables y relaciones entre ellas. En muchos casos, se puede obtener una
función o fórmula cerrada, lo que “facilita” la fase de solución del modelo.
Alternativamente, pueden ocurrir relaciones matemáticas complejas entre
las variables que impiden una fórmula cerrada y dan lugar al uso de
simulaciones.

Solución del modelo

Es la otra etapa “matemática” de una IO. Se buscan las soluciones

analíticas del modelo matemático construido. Una solución se dice viable o
factible si satisface todas las restricciones del problema y se dice óptima si
es viable y además es la mejor (en términos del objetivo de estudio) (Taha,
2004).

Validación del modelo

Se comprueba si las soluciones obtenidas del modelo se corresponden con

la realidad. Se pretenden responder las siguientes preguntas.
 ¿Tiene sentido la solución?
 ¿Los resultados son razonablemente aceptables?
 ¿Predice adecuadamente el comportamiento del sistema que se
estudia?
Un método que se utiliza para responder estas preguntas y comprobar la
validez de un modelo es compararlo con resultados históricos (caso de que
los haya). Si los resultados son comparables, esto puede indicar que el
modelo está bien. Si, por el contrario, las soluciones obtenidas no son
razonables o no son las que se esperan, hay que, primero, revisar si el
problema está bien definido, y luego, verificar que el modelo construido es
el adecuado para el problema que tenemos. Generalmente, la etapa de
solución del modelo no contiene errores, ya que son utilizados métodos
computacionales.

4
Implementación de la solución

Una vez validada la solución del modelo, estas deben transformarse en

sugerencias o instrucciones de operación. La decisión de la implementación
o no de las recomendaciones está a cargo de la gerencia o de los
responsables del área del problema inicial.

Clasificación de los modelos

Los distintos modelos que podemos construir para la representación de
una situación real, pueden clasificarse de varias maneras, de acuerdo con
alguna característica particular. Para el desarrollo de este curso, una
clasificación que nos interesa es la siguiente:

 Normativos. Se denominan así aquellos modelos en los que es posible

una formulación matemática concreta del problema, que, en su
mayoría, se realiza a través de una función o fórmula con sus
restricciones. Dentro de este grupo, están los modelos de optimización,
como los de programación matemática, donde es posible encontrar una
solución concreta del modelo. La dificultad en los modelos de
optimización está en la construcción del modelo. Cuando la estructura
del problema no se adecúa a un modelo de optimización, se utilizan
métodos heurísticos para determinar las soluciones. (Marti, 2003).
 Descriptivos. Los modelos descriptivos incluyen las técnicas de
modelado que no poseen la definición de estructuras matemáticas que
definen una solución como la deseable para ser implementada.
Ejemplos de estos modelos son los de cola (línea de espera) y los
modelos simulación.

Dentro de los modelos normativos, tenemos también una división:

determinista o estocástico.

 Los modelos deterministas son aquellos en los que cada grupo de

variables está determinado por los parámetros del modelo y por los
estados anteriores. Para un conjunto de parámetros de entrada, un
modelo determinista se comporta siempre igual.
 Los modelos estocásticos son aquellos en los que las variables de estado
se muestran por distribuciones de probabilidad, y ante esto, el modelo
incluye aleatoriedad o incertidumbre.

5
No siempre es necesario un modelo matemático

Existen algunas situaciones o problemas que se presentan en una

organización en la que no es necesario la contrucción de un modelo
matemático para poder resolverlo. Después de la correcta definición del
problema, no se debe pasar inmediatamente a la construcción del modelo
matemático del mismo. Primero, se debe analizar detalladamente e
intentar algunos métodos más sencillos para la resolución, como
promedios, histogramas, etcétera. En algunos casos, podrá encontrarse
una solución de sentido común a la que llegaremos a través del análisis
detallado de la situación. Como el factor humano tiene mucho peso, tanto
en el problema como en su solución, algunos estudios psicológicos (como
el comportamiento) pueden resolver la situación. Veamos ejemplos donde
no es necesario un modelo matemático.

1) Al atender quejas sobre un servicio lento de elevadores en un edificio

de oficinas grandes, se percibió en un principio que la situación era un
problema de línea de espera que podría requerir el uso de análisis
matemáticos de colas o de simulación. Sin embargo, después de
estudiar el comportamiento de las personas que se quejaban, el
psicólogo del equipo de investigación de operaciones sugirió instalar
espejos de cuerpo entero en la entrada de los elevadores. Casi por
milagro desaparecieron las quejas, porque se mantuvo ocupada a la
gente examinándose a sí misma y a los demás mientras esperaban al
elevador.

1) Antes de embarcarse en un modelado

matemático complicado, el equipo de investigación
de operaciones debe aplazar la posibilidad de usar
ideas “agresivas” para revolver la situación. La
solución del problema del elevador con la instalación
de espejos tiene más base en el estudio del
comportamiento humano que en el modelado
matemático. También es más sencillo y menos
costoso que cualquier otra recomendación que se
pudiera haber obtenido con un modelo matemático.

En un estudio del registro en las instalaciones en

un gran aeropuerto inglés, un equipo de consultores
de Estados Unidos y Canadá aplicó la teoría de colas
para investigar y analizar la situación de check-in de
pasajeros próximos a la salida de sus vuelos. Parte de
la solución fue usar letreros bien ubicados,

6
 anunciando que si la salida de los pasajeros fuera en
los próximos 20 minutos, pasaran a la cabeza de la
fila y pidieran servicio de inmediato. La solución no
tuvo éxito porque los pasajeros, al ser ingleses en su
mayoría, estaban “condicionados a un
comportamiento muy estricto en las filas” y en
consecuencia se rehusaban a pasar frente a otros
que esperaban en la fila.

Las soluciones tienen su base en las personas y

no en la tecnología. Toda solución que no tenga en
cuenta al comportamiento humano probablemente
fallará. Aun cuando la solución matemática del
problema del aeropuerto británico pudiera haber
sido razonable, el hecho de que el equipo de
consultores no percibió las diferencias culturales
entre Estados Unidos e Inglaterra (los
estadounidenses y canadienses tienden a ser menos
formales) produjo una recomendación ineficaz.
(Taha, 2004, pp. 7-8)

Programación matemática
En un estudio de investigación de operaciones, luego de definir el
problema, entramos en la etapa de construcción del modelo, es decir, una
representación abstracta de una situación real. Muchos de estos modelos
son normativos, o sea, es posible definir relaciones matemáticas concretas
entre las variables y las restricciones del problema. Los modelos de
programación matemática representan estas relaciones mediante
funciones.

El término programación se refiere al planeamiento de actividades para

obtener la solución óptima del modelo matemático entre todas las
alternativas posibles (Arsham, 2011).

Dentro de los modelos de programación matemática podemos clasificar

estos en lineales y no lineales. Los modelos de programación lineal son
aquellos en los cuales las relaciones matemáticas entres las variables y las
restricciones del problema pueden expresarse linealmente (Arsham, 2011).

7
Programación lineal
El desarrollo de la teoría y de las técnicas de programación lineal fue uno
de los grandes avances científicos de mediados del siglo pasado. Los
modelos lineales son unos de los más utilizados a la hora de modelar una
situación real, por lo que se han convertido en el estándar para muchos de
los problemas que enfrentan las organizaciones.

El motivo principal para la elección de este modelo es su simplicidad a la

hora de encontrar soluciones al problema. Un modelo lineal “compatible”
(que las restricciones no generen un conjunto vacío) siempre tiene
solución, por lo que es posible hallar la solución óptima del problema.

Otro motivo por el cual el modelo lineal es muy utilizado es que muchos
modelos no lineales pueden “linealizarse”, es decir, aproximar las
relaciones entre las variables y las restricciones del problema por funciones
lineales.

Forma estándar de un modelo de programación lineal

Como las relaciones entre las variables son lineales, la función objetivo
queda determinada por:
𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛 ,

donde los 𝑥𝑖′ 𝑠 son las variables, y los 𝑐𝑖′ 𝑠 son los coeficientes del modelo.
Como las restricciones también se relacionan de forma lineal, son
expresadas como:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1 ;
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 ≤ 𝑏2 ;
⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 ≤ 𝑏𝑚 ;

y, además, tenemos la condición de no negativad de las variables

𝑥1 ≥ 0, 𝑥2 ≥ 0, … , 𝑥𝑛 ≥ 0.

Observación: si bien, en la expresión general de un modelo lineal las

restricciones están expresadas con la desigualdad “≤”, puede suceder
también la condición de mayor o igual (≥) o de igualdad (=). El motivo de
usar el signo “≤” es por consistencia y simplificación de la notación.

Método gráfico de resolución de un modelo lineal

El modelo lineal más sencillo es el que tiene una variable, 𝑍 = 𝑐𝑥, cuya
solución es facilmente encontrada.

8
Cuando el modelo lineal que representa la situación real tiene dos
variables, el método gráfico es una de las técnicas más usadas para
resolverlo. Mediante un ejemplo (este problema es adaptado de Hillier F.,
Hillier M., 2008, p.18.) veremos cómo se aplica este herramienta.

La empresa MS se dedica a la producción de muebles en general. Debido a

la baja en las ventas de algunos de sus productos, la gerencia decide
modificar la línea de productos. Se dejarán de producir aquellos que no son
rentables, lo que permitirá liberar capacidad de producción para 2 muebles
que continúan con demanda alta: mesas de madera y mesas de vidrio con
pies de alumnio. La empresa tiene 3 plantas, en las cuales se realizan
diferentes etapas del proceso de producción:

 La planta 1 produce los pies y la base de las mesas de madera.

 La planta 2 produce el vidrio.
 La planta 3 produce los pies de aluminio para las mesas de vidrio y
realiza el montaje de las mesas.

La gerencia debe decidir ahora cuál sería la mezcla de los productos, o sea,
cuántas mesas de cada tipo debería producir de modo de maximizar las
ganancias.

El primer paso del equipo de investigación de operaciones es juntar todas

las informaciones necesarias, como capacidad de producción de cada
planta, cuánta capacidad se necesita para cada mesa y cuál es la
rentabildad de cada producto. Lo obtenido por el equipo fue lo siguiente.

Tabla 1: Datos para el problema de mezcla de productos de MS

Tiempo de producción
Plantas Mesa de madera Mesa de vidrio Horas disponibles
1 1 hora 0 horas 4
2 0 horas 2 horas 12
3 3 horas 2 horas 18
Ganancia US$ 3 US$ 5

Fuente: elaboración propia.

En este caso, la decisión se toma sobre la tasa de producción semanal para

cada tipo de mesa. Denotamos con 𝑥1 la tasa por hora de producción de
mesas de madera y con 𝑥2 la tasa por hora de producción de mesas de
vidrio, las ganancias por hora están determinadas por
𝑍 = 3𝑥1 + 5𝑥2 .

9
El objetivo es maximizar esta función, o sea, encontrar los valores de 𝑥1 y
de 𝑥2 que produzcan la mayor rentabilidad posible. De acuerdo con los
datos recolectados, tenemos algunas limitaciones:
𝑥1 ≤ 4;
2𝑥2 ≤ 12;
3𝑥1 + 2𝑥2 ≤ 18;
y
𝑥1 ≥ 0, 𝑥2 ≥ 0. (condición de no negatividad de las variables).

El método gráfico consiste de dos pasos:

2) determinar el espacio de soluciones definido por las restricciones del
problema; espacio factible de soluciones.
3) determinar la solución óptima dentro de este espacio factible.

Gráficamente, las limitaciones determinan la siguiente región del plano

(𝑥1 , 𝑥2 ).

Figura 1: Espacio de soluciones1

Fuente: Elaboración propia.

Una vez encontrado el espacio de soluciones, pasamos a buscar la solución

óptima del modelo. Para ello vamos a utilizar la función que queremos
maximar: 𝑍 = 3𝑥1 + 5𝑥2 . Debemos determinar la dirección en la que crece
esta función, y para ello damos valores arbitrarios y crecientes a 𝑍. Por
ejemplo, si 𝑍 = 10 o 𝑍 = 20 , las ecuaciones correspondientes son,

1 El área sombreada representa el espacio de soluciones.

10
respectivamente, 10 = 3𝑥1 + 5𝑥2 y 20 = 3𝑥1 + 5𝑥2 , cuyas
representaciones gráfica se muestran en la Figura 2.

Figura 2: Gráfico de rectas para algunos valores de 𝒁2

El punto (2,6) corresponde con la solución óptima del problema.

Fuente: Elaboración propia

Notemos que, para estos valores de 𝑍, hay infinitas alternativas posibles de

solución: son todos los puntos de las rectas que están dentro del espacio
de soluciones. Entonces, ¿cómo determinamos la solución óptima?
Consideramos los puntos críticos del modelo, que son vértices del espacio
de soluciones, que en este caso son: (0, 0), (4, 0), (2, 6) y (0, 6). Luego
reemplazamos estos pares en la función 𝑍 = 3𝑥1 + 5𝑥2 . La solución
óptima será aquel par que proporciona el mayor valor de 𝑍. Reemplazando
los valores, tenemos:
𝑍 = 0 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑎𝑟 (0, 0);
𝑍 = 12 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑎𝑟 (4, 0);
𝑍 = 36 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑎𝑟 (2, 6);
𝑍 = 30 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑎𝑟 (0, 6).

Por lo tanto, la solución óptima de este modelo de programación lineal es

(2, 6), lo que significa que se debe producir la mesa de madera a una tasa
de dos por hora, mientras que la tasa de producción de la mesa de vidrio
tiene que ser de 6 por hora.

2 El punto (2, 6) corresponde con la solución óptima del problema.

11
Referencias
Hillier, F., y Hillier, M. (2008) Métodos Cuantitativos para administración. México:
McGraw-Hill.

Hillier, F., y Lieberman, G. (1998). Introdução à pesquisa operacional. Brasil:

Campus.

Marti, R. (2003). Procedimientos metaheurísticos en optimización combinatorial.

Metaheuristics. Universitat de València.

Pidd, M. (1996). Tools for thinking: Modelling in Management Science. Inglaterra:

John Wiley & Sons.

Taha, H. (2004). Investigación de operaciones. México: Pearson Educación.

12