CONCEPTOS BÁSICOS PARA LA ELABORACIÓN DE MODELOS

Análisis de la toma de Decisiones

La toma de decisiones es fundamental para cualquier actividad humana. En este sentido,
somos todos tomadores de decisiones. Sin embargo, tomar una 'buena' decisión empieza
con un proceso de razonamiento, constante y focalizado, que incluye muchas disciplinas.
Este pagina web ofrece información sobre Ciencias de las Decisiones y una introducción
a las Ciencias Administrativas e Investigación de Operaciones. El site describe modelos
deterministicos y probabilísticos, listas de libros sobre toma de decisión estratégica y
links para acceder a otros Web-sites relacionados con el tema.

Introducción y resumen

Muchas personas todavía están bajo el cautiverio de la tutela autocontraída. La tutela es

la incapacidad de la persona de tomar sus propias decisiones. Y es autocontraída cuando
su causa no es la falta de razón sino la falta de resolución y coraje para usarla sin desear
que nos diga qué hacer alguna otra persona. ¡Sapere aude! "¡Ten coraje para usar tu
propia razón!" era el lema en el Siglo de las Luces.

Mediante la lucha y el sufrimiento del Siglo de las luces, apareció "el individuo". Los
seres humanos finalmente ganaron su libertad natural para pensar por si mismos. Sin
embargo, esto ha sido una gran carga de responsabilidad para muchos. Ha habido
demasiados fracasos. Las personas renuncian rápidamente a su libertad natural frente a
cualquier culto a cambio de una vida fácil.

La buena toma de decisiones permite vivir mejor. Nos otorga algo de control sobre
nuestras vidas. De hecho, muchas de las frustraciones que sufrimos con nosotros mismos
se deben a no poder usar la propia mente para entender el problema de decisión, y el
coraje para actuar en consecuencia. Una mala decisión puede obligarnos a tomar otra
mala decisión, como dijo Harry Truman: "Toda mala decisión que tomo va seguida de
otra mala decisión".

Las decisiones racionales generalmente se toman sin darnos cuenta, quizás de manera
inconsciente, podemos comenzar el proceso de consideración. Lo mejor es aprender el
proceso de toma de decisiones para decisiones complejas, importantes y críticas. Las
decisiones críticas son aquellas que no pueden ni deben ser objetivos incorrectos,
debemos preguntarnos: ¿qué es lo más importante que estoy tratando de lograr en este
caso?

El estilo y las caracteristicas del decisor se pueden clasificar en: el pensador el cowboy
(repentino e intransigente), Maquiavelico (el fin justifica los medios), el historiador
(como lo hicieron otros), el cauteloso (incluso nervioso), etc.
El objeto de este sitio es convertirlo a usted en un mejor decisor, intentando enseñarle el
proceso de toma de decisiones:

1. ¿Cuál es la meta que usted desea alcanzar? Elija la meta que satisfaga sus
"valores". Los valores deben expresarse en escala numérica y mensurable.
Esto es necesario para hallar las jerarquías entre los valores.
2. Averigüe cuál es el conjunto de cursos de acción posibles que puede tomar
y luego reúna información confiable sobre cada uno de ellos. La
información objetiva sobre los cursos de acción también puede expandir
su conjunto de alternativas. Cuantas más alternativas desarrolle, mejores
decisiones podrá tomar. Debe convertirse en una persona creativa para
expandir su conjunto de alternativas.

Pablo Picasso se dio cuenta de esto y dijo: " Todos los seres humanos
nacen con el mismo potencial de creatividad. La mayoría lo derrochan en
millones de cosas superfluas. Yo invierto el mío en una sola cosa: mi
arte". Las alternativas de decisiones creativas son originales, relevantes y
prácticas.

3. Prediga el resultado de cada curso de acción individual mirando hacia el

futuro.
4. Elija la mejor alternativa que tenga el menor riesgo involucrado en llegar a
la meta.
5. Implemente su decisión. Su decisión no significa nada a menos que la
ponga en acción.

Las decisiones son el corazón del éxito y, a veces, hay momentos críticos en que pueden
presentar dificultad, perplejidad y exasperación. Este sitio ayuda y orienta a tomar buenas
decisiones estratégicas, que sean eficaces, usando un proceso eficiente y sistemático de
toma de decisiones.

Un gerente debe tomar muchas decisiones todos los días. Algunas de ellas son decisiones
de rutina o intrascendentes mientras que otras tienen una repercusión drástica en las
operaciones de la empresa donde trabaja. Algunas de estas decisiones podrían involucrar
la ganancia o pérdida de grandes sumas de dinero o el cumplimiento o incumplimiento de
la misión y las metas de la empresa. En este mundo cada vez mas complejo, la dificultad
de las tareas de los decisores aumenta día a día. El decisor (una persona que tiene un
problema) debe responder con rapidez a los acontecimientos que parecen ocurrir a un
ritmo cada vez mas veloz. Además, un decisor debe asimilar a su decisión un conjunto de
opciones y consecuencias que muchas veces resulta desconcertante.

Con frecuencia, las decisiones de rutina se toman rápidamente, quizás inconscientemente,

sin necesidad de elaborar un proceso detallado de consideración. Sin embargo, cuando las
decisiones son complejas, críticas o importantes, es necesario tomarse el tiempo para
decidir sistemáticamente. Las decisiones críticas son las que no pueden ni deben salir mal
o fracasar. Uno debe confiar en el propio juicio y aceptar la responsabilidad. Existe una
tendencia a buscar chivos expiatorios o transferir responsabilidades.

El modelo de decisiones mas simple que tiene solo dos alternativas se denomina
Maniqueismo, adaptado por Zaratustra y luego adoptado por otras religiones organizadas.
El Maniqueismo es el concepto de dualidad que divide todo lo que forma parte del
universo en dos alternativas distintas o dos polos opuestos, como por ejemplo el bien y el
mal, blanco y negro, día y noche, mente (o alma) y cuerpo, etc. Este concepto de dualidad
fue un modelo suficiente de la realidad para aquella época para que el mundo fuera
manejable y calculable. Sin embargo, hoy en día sabemos con certeza que todo cambia y
todo tiene un amplio espectro continuo. No existen los opuestos en la naturaleza.
Debemos ver el mundo a través de los ojos de nuestra mente vivida; de lo contrario, no
comprendemos bien las ideas complejas.

La Revolución Industrial del siglo XIX probablemente construyera más que cualquier
otro acontecimiento en la historia a dar forma a la vida del mundo industrializado
moderno. El surgimiento de las grandes fábricas con producción en masa creó la
necesidad de una administración efectiva y eficiente de las mismas. El campo de la
Ciencia de la administración (CA), conocido también como Investigación Operacional
(IO), comenzó con la publicación de The Principles of Scientific Management (Los
Principios de la Administración Científica) y ha ayudado a los gerentes a desarrollar el
conocimiento y las herramientas necesarias para comprender los problemas de decisión,
traducirlos a términos analíticos y luego resolverlos. Los analistas de CA/IO son, por
ejemplo, jefes del gabinete del presidente, asesores, diseñadores de modelos de
investigación y desarrollo, analistas de sistemas, etc.

En nuestro mundo cada vez más complejo, las tareas de los decisores son cada día más
provocadoras. El decisor (la persona que tiene el problema) debe responder en forma
rápida ante situaciones que parecen sucederse a un paso cada vez más veloz. Asimismo,
el decisor debe asimilar a su decisión una serie de opciones y consecuencias que a veces
nos dejan azorados.

Un gerente debe tomar diariamente muchas decisiones. Algunas de estas decisiones son
rutinarias y sin consecuencias, mientras que otras influyen en forma drástica sobre las
operaciones de la empresa en la que se desempeña. Algunas de estas decisiones podrían
significar la ganancia o pérdida de grandes sumas de dinero, o que la empresa logre o no
su misión y sus metas. El campo de la Ciencia de la Administración (CA), conocido
también como Investigación Operacional (IO), ha ayudado a los gerentes a desarrollar el
conocimiento y las herramientas necesarias para comprender los problemas de decisión,
traducirlos a términos analíticos y luego resolverlos.

Los cimientos para la toma de decisiones acertadas se construyen sobre la filosofía del
conocimiento, la ciencia y la lógica, y por sobre todo, la creatividad. En este sitio Web, el
"problema" de la decisión no se refiere a los ejercicios o enigmas prefabricados que la
mayoría de los profesores continuamente les presentan a sus estudiantes, tal como el
problema de hallar la solución de un sistema de ecuaciones (sin motivarlos en absoluto
hacia la necesidad de saber).

Este sitio se trata de cómo tomar decisiones acertadas cuando uno se enfrenta a
problemas de decisión. Significa problemas reales, el manejo concreto de lo que puede
llegar a constituir una diferencia significativa. En casi todos los problemas de decisión
encontramos los siguientes componentes:

1. El decisor,
2. El analista que modeliza el problema para ayudar al decisor,
3. Factores controlables,
4. Factores incontrolables,
5. Los resultados posibles de la decisión,
6. Las restricciones ambientales/estructurales,
7. Las interacciones dinámicas entre estos componentes.

Modelos Deterministas versus Modelos Probabilisticos: antes de seguir adelante,

debemos hacer una distinción entre los problemas de toma de dicisiones deterministas y
los probabilisticos. Todos los modelos de decisiones pueden clasificarse en modelos
deterministas o probabilisticos. En los modelos deterministas, decisiones acertadas
generan buenos resultados. Usted obtiene lo que espera, por lo tanto el resultado es
determinista (es decir, sin riesgo). Sin embargo, en los modelos de decisiones
probabilisticos, el resultado es incierto. En consecuencia, la toma de decisiones acertadas
puede no generar buenos resultados. A diferencia de los modelos deterministas donde las
decisiones acertadas se evalúan sólo según los resultados, en los modelos probabilisticos,
el decisor se preocupa tanto por el valor del resultado como por el grado de riesgo
involucrado en cada decisión. En este curso analizaremos tanto el proceso determinista y
como el proceso probabilistico de toma de decisiones. Una vez reconocida esta
importante clasificación de los componentes de la toma de decisiones, el analista de
IO/CA sigue la secuencia indicada a continuación donde puede haber feedback entre los
distintos pasos:

1. Comprensión del problema: para tomar una decisión acertada es

imprescindible comprender claramente el problema, el objetivo y las
restricciones involucradas.
2. Construcción de un modelo analítico: este paso implica la "traducción" del
problema al lenguaje matemático preciso para realizar el cálculo y
comparar los resultados en distintos escenarios o situaciones posibles.
3. Búsqueda de una buena solución: lo importante es elegir la técnica de
resolución adecuada según las características especificas del modelo. Una
vez resuelto el modelo, se realiza la validación de los resultados a fin de
evitar una solución irrealista.
4. Comunicación de los resultados al decisor: los resultados obtenidos por el
analista de IO/CA deben ser comunicados correctamente al decisor. Esta
es la parte de "venta". Si el decisor no "compra" las recomendaciones del
analista de IO/CA, no implementara ninguna de ellas.
Ya que la solución estratégica de cualquier problema implica hacer determinadas
presunciones, es necesario determinar hasta qué punto cambia la solución estratégica
cuando se modifican las presunciones. Esto lo sabrá mediante los escenarios "what-if" o
hipotéticos o el análisis de sensibilidad.

La recopilación de información confiable en el momento adecuado es un componente de

las buenas decisiones. Resulta útil entender la naturaleza del problema preguntando
"¿quién?", "¿qué?", "¿por qué?", "¿cuándo?", "¿dónde?" y "¿cómo?". Finalmente, se
desglosa la información en tres grupos de entrada: Parámetros, Entradas Controlables y
Entradas Incontrolables. Los factores incontrolables son los componentes principales en
la toma de decisiones. Se evalúan los diversos cursos de acción dentro de las entradas
controlables, teniendo en cuenta varias hipótesis de entradas incontrolables, y luego se
decide el mejor curso de acción.

Como dijo Herbert Simon: Todo el proceso de toma de decisiones administrativas o

gerenciales es similar a la práctica de la administración o gerencia. La toma de decisiones
representa el elemento central de todas las funciones gerenciales. La planificación, por
ejemplo, comprende las siguientes decisiones: ¿Que debería hacerse? ¿Cuando? ¿Como?
¿Donde? ¿Quién debería hacerlo? Otras funciones gerenciales, tales como organización,
implementación y control, dependen en gran medida de la toma de decisiones.

La preparación para la administración, ya sea en relación con la tecnología, los negocios,

la producción o los servicios, requiere el conocimiento de herramientas que pueden
ayudar a determinar de políticas factibles y óptimas. Además de las habilidades
relacionadas con la comunicación y el razonamiento cualitativo, para ser
competitivamente viables en el futuro, las empresas necesitan sistemas de soporte de
decisiones para comprender las complejas interacciones entre todos los componentes del
sistema de una determinada organización, tanto en situaciones internas como externas.

Todos los conceptos de IO/CA se centran en la comunicación de los resultados y del

curso de acción recomendado. Esto ayuda a los implicados a construir el consenso sobre
los posibles resultados y el curso de acción recomendado. El decisor incorpora algunas
otras perspectivas del problema, como por ejemplo la cultural, política, psicológica, etc.,
a las recomendaciones de los científicos de la administración.

Para abordar correctamente la modelización IO/CA en la toma de decisiones se debe

tener una actitud apropiada, además de conocer temas más técnicos. Si bien tanto el
analista de IO/CA como el decisor deben conocer las técnicas de identificación de
problemas, construcción de modelos y solución, las actitudes de ambos quizás sean los
elementos más importantes en una aplicación exitosa. Aunque la actitud apropiada no
alcanza para lograr el éxito, es necesaria. El analista que se centre más en las técnicas de
solución que en la formulación del modelo no tendrá éxito. El interés principal del
analista debiera ser asistir en la toma de la decisión y no encontrar métodos de solución
que sean más elegantes o marginalmente más rápidos que los métodos existentes. El
decisor que piense que puede dejarlo trabajar solo al analista sin orientación, y luego
esperar obtener información relevante a cambio que pueda aplicarse directamente al
problema y después olvidarse, no estará haciendo el mejor uso de las entradas
cuantitativas. En cambio, la interacción entre el decisor y el analista de IO/CA debe ser
abierta, interactiva y focalizada a la meta última del esfuerzo, que es desarrollar y hacer
el mejor uso de las entradas cuantitativas de un problema de decisión.

La Ciencia de la Administración comprende varias disciplinas de estudio. Esto se debe

precisamente a que que la toma de decisiones es una actividad humana central. Por
último, todas las materias de la Maestría en Administración de Empresas se refieren, sin
excepción, a la toma de decisiones acertadas en un aspecto en particular del negocio,
desde contabilidad hasta marketing. Es posible que las materias les parezcan piezas
diseminadas de una escultura. Sé que desean ansiosamente ver la obra completa. Este
sitio Web reúne lo que debe estar reunido por medio de un abordaje unificado,
sistemático y centralizado para la toma de decisiones, que es la Ciencia de la
Administración Aplicada.

Introducción y resumen

"En algún punto de la línea de desarrollo descubrimos lo que somos en realidad, y luego
tomamos nuestra verdadera decisión por la cual somos responsables. Tome esa decisión
principalmente por usted, ya que nunca se puede vivir realmente la vida de otra persona."
-- Eleanor Roosevelt

La mente es lo que su cerebro hace. Nuestras mentes realizan una serie de

procesamientos de información para formar estrategias necesarias para vivir la vida
diaria. Este proceso se conoce como toma de decisiones. Sin embargo, más allá de la
toma de decisiones, debido a los diferentes tipos de incertidumbres que se presentan,
también nos enfrentamos a lo que se denomina decidofobia, es decir el miedo a tomar
decisiones equivocadas.

Las decisiones son el corazón del éxito, y en algunas oportunidades existen momentos
críticos en las que pueden ser difíciles, confusas y exasperantes. Este sitio brinda ayuda y
guía para la toma de decisiones eficaces y efectivas mediante la puesta en práctica de un
abordaje bien estructurado y un proceso bien centralizado conocido como el proceso de
modelización.

Tomar una decisión es enfrentarse a una pregunta, como por ejemplo "¿Ser o no ser?", es
decir, ¿Ser el que uno desea ser o no ser? Esta es una decisión. La humanidad siempre ha
vivido a la sombra de sus miedos. Aún así no se supo nada sobre el miedo hasta que
Freud inició su estudio de fobias inusuales. Tiempo después, algunos psicólogos
sugirieron la existencia de un temor común a todo el género humano: el miedo a la
muerte.

¡Decisiones, decisiones y más decisiones! El miedo a la toma de decisiones importantes

es un nuevo tipo de temor, denominado decidofobia, revelado por Walter Kaufmann en
1973. Todo gerente responsable conoce bien el miedo a la toma de decisiones
equivocadas Como dijo Eleanor Roosevelt, "Se obtiene fuerza, coraje y confianza de
cada experiencia en la que uno realmente se detiene para enfrentarse con el miedo."
Donde quiera que usted vea un negocio exitoso, alguien ya ha tomado una decisión
valiente.

La palabra Decido, proveniente del latín, tiene dos significados. Significa decidir y
también caer. Es por eso que a las plantas a las que se les caen las hojas en otoño se las
denomina deciduas. La palabra fall (otoño) era originalmente "leaf fall" (caída de las
hojas) y se utilizaba en lugar de autumn (otoño) en el Siglo XV. La expresión "correr el
riesgo" sugiere la importancia de ambos significados. La toma de decisiones equivocadas
provoca el miedo a la caída.

En las decisiones importantes que le dan forma al futuro de un negocio, la libertad se

hace tangible; son objetos extremamente temibles. Las decisiones importantes que
eventualmente dan forma, guían y dirigen nuestro futuro constituyen objetos de extremo
temor para los líderes de los negocios. Estas decisiones implican normas y estándares, y
la comparación y elección de metas. El conocimiento del abordaje estructurado y bien
focalizado para el proceso de toma de decisiones disminuye la decidofobia. Lo bueno de
la Ciencia de la Administración Aplicada es que convierte al antiguo proverbio "Los
líderes de negocios nacen, no se hacen" en un mito. Si uno puede dominar las
aplicaciones de la Ciencia de la Administración, ningún problema resulta demasiado
grande y ninguna decisión es demasiado agobiante. La meta de los expertos en la Ciencia
de la Administración es eliminar la decidofobia.

¡De niño, era difícil elegir en un surtido de caramelos! La sola preocupación por la toma
de decisiones importantes es como una mecedora: nos ocupa en algo pero no conduce a
ningún lado. Tomemos por ejemplo esta pregunta: Hay cinco ranas sentadas en un tronco.
Cuatro deciden saltar. ¿Cuántas ranas quedan? Las decisiones dilatadas incrementan el
compromiso para implementarlas. Hay una gran diferencia entre tomar una decisión e
implementarla.

A diferencia de los modelos deterministas (decisiones libres de riesgos), el resultado de

algunas decisiones depende de un tercero, como es el caso de las decisiones estratégicas
de las campañas publicitarias dentro de un mercado competitivo. Por lo tanto, una de las
características de los problemas de análisis de decisiones es que la toma de decisiones
"acertadas" no necesariamente produce buenos resultados. "¿Cómo pude haber sido tan
estúpido?", se preguntaba el Presidente John F. Kennedy después de haber aprobado la
invasión a La Bahía de los Cochinos.

Una decisión por lo general consta de tres etapas:

1. El reconocimiento de una necesidad: sensación de insatisfacción con uno

mismo; sensación de vacío o necesidad;
2. La decisión de cambiar, para llenar el vacío o la necesidad;
3. La dedicación consciente para implementar la decisión.
Además de eso, observamos que la toma de decisiones correctas no es sólo lo que
queremos hacer, sino que concuerda con lo que se debe hacer. Por eso, el miedo a tomar
la decisión equivocada es lo que nos impulsa y guía a tomar las decisiones utilizando un
abordaje científico. De esto se ocupa la Ciencia de la Administración.

Cada día laborable el gerente pone a prueba algunas cuestiones que requieren decisiones.
Primero se las debe identificar como problemas u oportunidades, justificar y clasificar
dentro de los modelos matemáticos para los que existirá una respuesta, pudiendo así
controlar el problema mediante la actualización de las soluciones debido a la naturaleza
dinámica de las decisiones de los negocios. Este es el núcleo absoluto del abordaje que
hace la Ciencia de la Administración de la toma de decisiones, que es la ciencia de la
toma de decisiones.

Es este abordaje el que hace que un negocio sea exitoso. Pero es importante advertir que
este proceso no es fácil. Como ya dijimos, se basa en tres etapas que encierran doctrinas
de integración de informática, clasificación matemática y modelización y finalmente el
reingreso de transformaciones de datos nuevos que aparecerán a medida que el tiempo
transcurra. Este es el análisis complejo en el que trabajaremos.

La Ciencia de la Administración puede ayudar a disminuir o eliminar el miedo a tomar

decisiones equivocadas, contribuyendo en cuanto al proceso. De hecho, la meta de la
Ciencia de la Administración es eliminar la decidofobia. Esto se logra a través de los
procesos en fases que dividen los componentes de la decisión en elementos viables y
permiten proceder a la etapa de la toma de la decisión con una base de conocimiento
firme para la elección. Sin embargo, si elige no utilizar la ciencia de la administración,
existen muchas formas de evitar tomar una decisión.

¿Cómo evitar tomar decisiones importantes?

En la Historia, escrito en el año 450 A.C., Herodoto dice lo siguiente:

"Si se debe tomar una decisión importante [los persas] discuten la cuestión cuando están
ebrios y al día siguiente el jefe de la casa...presenta la decisión para su reconsideración
cuando están sobrios. Si aún así la aprueban, se adopta; si no, se abandona. A la inversa,
toda decisión tomada en estado de sobriedad, se reconsidera posteriormente cuando están
ebrios."

Ustedes podrían decir que es una manera extraña de tomar decisiones. Tal vez lo sea,
pero existen métodos de elección humana aún más extraños. A continuación una muestra
de los métodos estratégicos más conocidos:

Recurrir a alguien o incluso a algo: Algunos ejemplos son la astrología (no la astronomía,
que es una ciencia), la lectura de las manos, la observación de las estrellas, el discado del
1-900 amigos psíquicos, la reflexología (los pies saben), la iridología (los ojos saben), la
telepatía, la telequinesis, el aura, los cristales, los sueños, los colores, el Feng Shui, la
numerología, los adivinos, etc. Todas estas disciplinas terminadas en -logía, el griego por
"palabra", son objetos de adoración. También incluye a todas las ideologías presentadas a
lo largo de la historia.

Por ejemplo, con respecto a la astrología, uno debe aceptar el hecho de que el éxito no se
debe a una confluencia fortuita de las estrellas en el momento de nuestro nacimiento, sino
a un camino constante de destellos provenientes del trabajo duro, la determinación, la
buena planificación y la perseverancia constantes. En todas estas estrategias populares de
evasión es mejor que siga el consejo de Kermit la Rana. Una mujer detective de la
Ciudad de Nueva York una vez dijo, "He consultado a cientos de adivinos, y me han
dicho miles de cosas, pero nadie me dijo nunca que yo era una mujer policía a punto de
arrestarlos".

Pensar: Como dijo Henri Poincare, "Dude de todo o crea todo: son dos estrategias
igualmente convenientes. Con cualquiera de ellas, eliminamos la necesidad de pensar por
nosotros mismos".

Tirar el ancla: Darle un peso desproporcionado a alguna información, en lugar de esperar

lo más posible a tener toda la información.

Ser consciente de los costos hundidos: Repita la misma decisión porque "ha invertido
tanto en este abordaje (o en su trabajo actual) que no puede abandonarlo ni tomar otra
decisión (o buscar una posición mejor)".

Incapacidad de reflexionar sobre el problema: Algunos gerentes a veces se resisten a

reflexionar antes de actuar, porque la reflexión les insume demasiado tiempo, demasiado
trabajo y no saben demasiado sobre el problema/la oportunidad de decisión.

Buscar pruebas confirmatorias: Busque la información que respalde la elección previa

existente y descarte la que se oponga.

Ser demasiado confiado: Esto lo hace sentir optimista y luego tomar decisiones de alto
riesgo.

Ser demasiado prudente: Ser excesivamente curioso durante tanto tiempo como para
retrasar la decisión.

Cargar a otro con la responsabilidad: Delegar a otro la responsabilidad de tomar la

decisión. No tomar decisiones por uno mismo. Conseguir a alguien a quien culpar si las
cosas no salen bien. Por ejemplo, si en la vida hay problemas, uno puede casarse.
Recuerden que el tango se baila de a dos.

Rendirse ante el fracaso: Creer que las elecciones que realizará están predestinadas y que
seguramente fracasará (uno se acostumbra al fracaso). Opuesto al resultado del trabajo y
el pensamiento continuos.
Crear una comisión: Para tomar una decisión, intente crear una comisión, no
necesariamente de expertos. De este modo, si todo sale bien, todos los miembros se
sentirán orgullosos. Pero si todo sale mal, nadie es responsable. Los miembros dirían,
"Yo no fui; fue la decisión de la comisión. Como puede verse, no pudimos llegar a una
conclusión, por eso votamos". Ponerle un rostro a un grupo sin rostro, llamarlo "la
comisión". La versión tecnológicamente avanzada de esta estrategia podría ser el sistema
grupal de soporte de decisiones. Por supuesto, la comisión puede crearse en la forma
correcta con los expertos correctos. Sin embargo, mi experiencia me ha demostrado que
las comisiones se utilizan más para evadir culpas y responsabilidades. No veo nada
positivo en tener responsables grupales de la toma de decisiones. Dejemos que una sola
persona sea el decisor, que sea la responsable y la que deba rendir cuentas.

Falsa descentralización: La descentralización podría ser cuando un gerente autoritario

delega responsabilidades a un nuevo "director de..." para cada problema nuevo de
decisión, pero sin delegar autoridad alguna.

Mala definición del problema: Esto seguramente conduce a la solución equivocada.

Cuando no se conoce el problema, cualquier solución es equivocada. Cuando se conoce
el problema, la solución podría ser la correcta.

Mala comprensión del problema: Esto ocurre, entre otras cosas, por subjetividad, análisis
irracional, retraso o dilación, falta de sensibilidad y falta de enfoque.

La complejidad confunde al decisor: Simplifique y hasta modifique el problema para

convertirlo en algo para lo que tenga una solución estratégica (esto lo hacen los analistas
de IO/CA cuando modifican el modelo hasta que se ajusta a su algoritmo de solución
estratégica).

Racionalización para limitar los cursos de acción: Esta estrategia es muy popular.
Adueñarse del mazo de naipes para hacer que una alternativa aparezca como claramente
correcta y se eliminen todos los riesgos.

Información: La información recopilada no es válida. Las decisiones por lo general se

toman primero y luego se busca información para respaldar la solución, de lo contrario
ocurre que gran parte de la información recopilada es irrelevante para la toma de
decisiones.

La decisión es sólo simbólica: Uno pelea mucho para conseguir una política y luego es
indiferente a su implementación.

El decisor tiene obligaciones: En algunos casos, los decisores actúan sin integridad para
satisfacer algunas obligaciones personales importantes.

Lo mejor es declinar responsabilidades: Estancarse o no hacer nada es otra posibilidad.

Algunas personas lo hacen porque consideran que la solución estratégica correcta será
finalmente obvia. Declinar todas las responsabilidades, o aún mejor, no hacer nada; es
decir, status quo. Sin embargo, "no decidir es decidir". Un líder de negocios toma
decisiones. Ya sean correctas o incorrectas, se toman, y son claras. Un líder débil obra
con dilación y brinda señales falsas, dejando que los subordinados operen en diferentes
direcciones.

Ansiedades posteriores a la decisión: Cuanto más convenientes son las alternativas que se
deben rechazar y cuanto más rápido deba tomarse la decisión, mayores serán las
ansiedades (también conocidas como disonancia cognitiva). La mayoría de las personas
acentúan el lado positivo de la decisión y niegan o ignoran el aspecto positivo de las
alternativas rechazadas.

La toma de decisiones comprende una serie de pasos. El proceso comienza con la

creación de metas y continúa con la identificación de los problemas y cursos de acción
alternativos. No termina hasta que se toma efectivamente la decisión o se realiza la
elección, ni hasta que no se hayan experimentado las ansiedades posteriores a la decisión.
La toma de decisiones, sin embargo, es una función de gestión importante en todos los
puntos del proceso de administración.

El segundo grupo de razones que se detalla a continuación, excusas

utilizadas para evitar la toma de decisiones, son legítimas y válidas. Entre
ellas encontramos la depresión y otras enfermedades mentales (que
deterioran las funciones de la toma de decisiones), la coerción y el lavado
de cerebro:

Momentos en los que no se deben tomar decisiones importantes: Existen

situaciones en las que no se deberían tomar decisiones importantes. Por
ejemplo, supongamos que una persona que ocupa una posición ejecutiva
dentro de una empresa sufre de depresión, que es una enfermedad mental.
Esta persona no debería tomar decisiones importantes-que podrían
resultarle costosas a la empresa -mientras esté en el hospital por
tratamiento médico. Un caso muy conocido de esta situación depresión fue
el del primer ministro noruego. Finalmente se recuperó de su enfermedad
y asumió sus responsabilidades.

Toma coercitiva de decisiones: Las persuasiones coercitivas son tácticas

de control mental que forman parte de una práctica de lavado de cerebro,
cuyo fin es modificar en gran medida el concepto que una persona tiene de
sí misma, la percepción de la realidad y las relaciones interpersonales.
Cuando tienen éxito, influyen en la capacidad racional e independiente de
la víctima de tomar decisiones. El lavado de cerebro es un proceso muy
complejo que consiste en dos etapas:

 Una es el Condicionamiento y se utiliza para controlar la mente de

la víctima; por ejemplo, induciendo la culpa manipulativa, el
miedo encubierto, la intimidación, la confusión mental y moral,
 logrando confesiones de delitos no cometidos, y propaganda
política.
 La otra es la Persuasión para causar la incapacidad de pensar en
forma independiente, por ejemplo, implantando impulsos
sugestivos en la mente de la víctima.

Todos estamos familiarizados con las técnicas "suaves" de persuasión que

se utilizan en las campañas publicitarias para influir en el comportamiento
de compra de los consumidores.

 Solución de un problema mediante la creación de otro: Con frecuencia, debido a las

profundas frustraciones que trae aparejadas el enfrentar un problema difícil, uno puede
desafortunadamente resolverlo mediante la creación de un problema aún mayor. Esta
estrategia pretende deshacerse de un problema actual con la lamentable consecuencia de
crear uno nuevo. Un ejemplo puede ser cuando no estamos dispuestos a enfrentar las
dificultades del problema en forma valiente y recurrimos desesperadamente al alcohol
como tranquilizante. Sin embargo, después de un tiempo, nos damos cuenta de que si
bien el alcohol mata los gérmenes, también elimina indudablemente la dignidad personal
y todo lo demás.

Visite, Decidofobia: Miedo a la toma de decisiones importantes. ¿Cómo evitar tomar

decisiones importantes?, Revista Inter-Forum, 16(3), 2002.

Aprender a tomar decisiones acertadas

A diferencia de las estrategias de la sección anterior, que nos decían qué

hacer, es posible aprender a tomar decisiones acertadas. Es posible
aprender el proceso de toma de buenas decisiones estratégicas por medio
de la práctica del decidir. Este sitio Web se centra en la práctica del
decidir, sobre la cual debe reflexionarse suficientemente. Aprenderá a
utilizar sus propias capacidades, siguiendo un proceso focalizado y
estructurado para tomar decisiones activa o proactivamente. La toma
activa de decisiones implica hacer una elección responsable, mientras que
las decisiones proactivas se refieren a la práctica y a la toma de decisiones
en forma anticipada, como si fuera "en caso de incendio".

Problemas de decisión u oportunidades de decisión: Las decisiones son

parte inevitable de las actividades humanas. En algunas situaciones, la
actitud correcta de los decisores debe ser ver los problemas como una
forma de aprovechar las oportunidades y no simplemente de resolverlos.
Por ejemplo, supongamos que recibe una carta de queja de un cliente
insatisfecho. Puede convertir este problema en una oportunidad, tratando
de encontrar las fallas del producto/servicio, aprendiendo de la experiencia
del cliente para mejorar la calidad de su producto/servicio.
Método de las ventajas y desventajas y de las implicancias interesantes:
Usted puede tomar la mayoría de sus decisiones en base a experiencias
anteriores, a un pequeño análisis y a su sentido común. Pero cuando
enfrenta problemas en los que una decisión equivocada podría tener
efectos negativos a largo plazo y conducir a errores graves y fracasos,
algunas veces las pequeñas decisiones se vuelven importantes. Ejemplos
de esto abundan en los accidentes de tránsito.

Antes de la era de la toma científica de decisiones, la mayoría de los

gerentes confiaban únicamente en estos dos abordajes: "Método de las
Ventajas y Desventajas y las Implicancias Interesantes". En el primer
abordaje, simplemente se escribe la decisión propuesta y luego, debajo, se
dibuja una tabla con los títulos 'Ventajas', '¿Desventajas?' e 'Implicancias
Interesantes'. En la columna titulada 'Ventajas' se anotan todos los puntos
positivos de haber realizado la acción. Debajo de 'Desventajas' se anotan
todos los efectos negativos. En la columna 'Implicancias Interesantes' se
anota la consecuencia ampliada de la acción, ya sea positiva o negativa. La
principal debilidad de este abordaje es que el puntaje que le asigne puede
ser completamente subjetivo. Por lo tanto, podría no resultarle de ayuda en
defensa propia si el resultado de la decisión no es el que deseaban aquellos
a quienes usted rinde cuentas.

Toma de decisiones subjetivas y objetivas: Las decisiones podrían

clasificarse en dos grupos, con algunas posibles superposiciones en
algunos casos. Uno es el subjetivo que abarca las decisiones privadas,
como por ejemplo, cómo quiere usted vivir su vida, o decidir algo sólo
porque "lo cree así". En las decisiones subjetivas, usted también podría
considerar sus puntos fuertes y débiles, sus oportunidades y sus amenazas.
El otro grupo de decisiones es el objetivo, que abarca la toma de
decisiones que son absolutamente no emocionales, que son públicas, que
necesitan que usted "salga de sí mismo" para no involucrar sus emociones.
Por ejemplo, un CEO, con poder de decisión en la compañía, debe
preguntarse, entre otras cosas, "¿Puedo convencer a los accionistas?". Este
grupo de decisiones implica responsabilidad, lo cual requiere decisiones
racionales, defendibles y responsables. Por lo tanto, el primer grupo está
formado por aquellas decisiones privadas que podrían involucrar la
emoción, y el segundo incluye casi exclusivamente las decisiones
racionales. Sin embargo, las decisiones realmente difíciles se dan cuando
se combinan ambas. Podrían surgir dificultades, porque las emociones y el
pensamiento racional se encuentran en lados diferentes del cerebro, y en
decisiones difíciles se debe poder usar ambos lados en forma simultánea.

La autoestima es un factor importante en la toma de decisiones acertadas.

A algunas personas a las que cualquiera las puede presionar con facilidad
para realizar determinadas cosas es fácil decirles lo que tienen que hacer
porque tienen muy baja su autoestima. Cuando uno tiene baja la
autoestima lo pueden convencer para hacer casi cualquier cosa, ya que uno
depende demasiado de los consejos de los demás. Esto sucede porque uno
no tiene la fuerza y el coraje para escuchar los propios pensamientos.
Existen muchas formas de escapar del compromiso del propio
pensamiento. Por ejemplo, ¿se ha preguntado por qué lee el diario?
¿Podría ser un mecanismo de escape? Para obtener mayor autoestima se
requiere de educación y coraje, es ser positivo y seguro en la toma de
decisiones. Escúchese y piense por usted mismo. Así evitará meterse en
problemas por culpa de otras personas.

Introducción y resumen

Hasta finales del siglo XVIII, casi todos los productos eran
manufacturados por artesanos en forma individual. Con el advenimiento
de las nuevas tecnologías de producción a finales del siglo XVIII y
comienzos del XIX se inició la Revolución Industrial. Los primeros
avances tuvieron lugar en Inglaterra, y se diseminaron rápidamente en el
resto de Europa. Si bien los progresos tecnológicos aumentaron la
eficiencia en los procesos de producción, el costo de los equipos
necesarios para la fabricación superaba los recursos de capital de los
artesanos individuales. Para aprovechar la producción masiva, posible
gracias a la aplicación de las nuevas tecnologías, y la penetración
concomitante de mercados masivos para los bienes producidos, las
empresas que poseían el capital suficiente organizaron sus hombres y sus
máquinas en lo que hoy se conoce como el sistema fabril. Hoy día existen
muchos grandes sistemas hechos por el hombre, además de las fábricas,
como los hospitales, los aeropuertos y los sistemas de telecomunicaciones.

El gran sistema es el resultado de la aplicación de técnicas científicas a,

por ejemplo, la manufactura, y persiste como una característica
fundamental de la industria moderna. Hoy en día, las compañías más
grandes emplean miles de trabajadores, operan en miles de millones de
dólares, fabrican cientos de productos y sirven a una multitud de
mercados. Las industrias de servicios, incluidos los bancos, hospitales,
compañías de seguros, consultoras y gobiernos, deben enfrentar
complejidades operativas similares a las que se observan en la industria
manufacturera.

Como resultado de la complejidad de las operaciones de negocios

actuales, la competencia agresiva y los controles gubernamentales, el
trabajo del gerente es cada vez más difícil. Ya no es posible que una sola
persona conozca los detalles de todas las áreas de la firma ni que tome
todas las decisiones sobre su operación. Incluso dentro del relativamente
limitado control que tiene un gerente, los factores que afectan sus
decisiones son con frecuencia tan numerosos y sus efectos tan penetrantes
que las decisiones "a la fuerza" ya no resultan aceptables. En
consecuencia, para tomar decisiones efectivas, muchas veces se necesita
información oportunamente analizada y resumida. Para ello, en los últimos
70 años se ha venido desarrollando un proceso eficaz y probado que se
conoce como Investigación Operacional/Ciencia de la Administración
(IO/CA).

Investigación Operacional / Ciencia de la Administración (IO/CA)

La Investigación Operacional (IO), conocida también como Ciencia de la

Administración (CA) es la ciencia que se ocupa de la toma de decisiones.
Primero preguntémonos "¿Qué significa Ciencia de la Administración?".
Administrar significa estar a cargo y ser capaz de predecir lo
incontrolable. La ciencia es una búsqueda continua; es una generación
continua de teorías, modelos, conceptos y categorías. Por lo tanto, la
Ciencia de la Administración es la ciencia de administrar, lo que casi
siempre implica toma de decisiones.

Investigando la genealogía de la IO/CA, podríamos formularnos una

pregunta más general "¿Qué es IO/CA?" Primero descubramos lo que
queremos decir con "Es" en general.

"Es" como definición: Literalmente, la pregunta "¿Qué es IO/CA?" exige

una "definición" de IO/CA.

"Es" como invitación: La situación es diferente cuando buscamos la

palabra IO/CA en una enciclopedia y no en un diccionario.

"Es" como retractación: La pregunta "¿Qué es IO/CA?" se formula por lo

general cuando el interrogador está poco o nada familiarizado con la
IO/CA y desea cumplir con su obligación de aprender, esperando
encontrar una respuesta corta.

"Es" como escape: Los alumnos que deben aprender IO/CA pocas veces
sienten la necesidad de formular la pregunta preliminar, "¿Qué es
IO/CA?". Es más probable que formulen preguntas específicas, como por
ejemplo "¿Qué es la programación lineal?", "¿Qué es una restricción?" o
"¿Qué es un árbol de decisión?".

"Es" como resumen: Algunos de los que trabajan en IO/CA, que están
llegando al final de sus carreras, sienten la necesidad de responder la
pregunta "¿Qué es IO/CA?" como justificación de su decreciente manejo
del tema, del mismo modo que quizás sientan la necesidad de escribir su
autobiografía. En estas circunstancias, la pregunta "¿Qué es IO/CA?" es
una excusa para viajar en la historia y la filosofía de la IO/CA.

"Es" como curiosidad: ¿Debemos llegar a la conclusión de que la pregunta

"¿Qué es IO/CA?" debería descartarse por carecer de sentido? Aquí
preguntamos "¿Qué es IO/CA?" para expresar un sentimiento de
curiosidad, para significar el entusiasmo que se apodera de nosotros al
comienzo de esta materia.

Qué es la Investigación Operacional /Ciencia de la Administración

(IO/CA)

La Ciencia de la Administración (CA) por lo general visualiza

analíticamente una decisión antes de su adopción. Es decir, reflexionar
antes de actuar, como dice un proverbio chino, "Para talar rápido un árbol,
dedique el doble de tiempo a afilar el hacha." Los carpinteros dicen, "Mida
dos veces, corte una." Este abordaje analítico se conoce con diferentes
nombres: Investigación de Operaciones, (EE.UU), Investigación
Operacional (Reino Unido), Ciencias de la Decisión, Ciencia de Sistemas,
Modeladización Matemática, Ingeniería Industrial, Pensamiento de
Sistemas Críticos y Análisis y Diseño de Sistemas. Los métodos analíticos
se aplican a los problemas de planificación y administración, en áreas tales
como producción y operaciones, administración de existencias y
scheduling (planificación de turnos de trabajo). Hay técnicas disponibles-
que por lo general utilizan programas informáticos poderosos-para
resolver problemas que van desde el control en tiempo real de operaciones
comerciales, industriales, agrícolas y administrativas específicas hasta los
modelos de planificación a largo plazo para las corporaciones y los
organismos del sector público.

Resulta irónico que la idea de recurrir a los conocimientos aportados por

varias disciplinas fuera el dogma central de los comienzos de la IO/CA. Al
principio, los problemas prácticos parecían no encajar dentro de los
prolijos límites disciplinarios. La IO/CA se estableció entonces en las
organizaciones, y los equipos y puestos interdisciplinarios incluían
matemáticos, estadistas, psicólogos, economistas, sociólogos, etc. Sin
embargo, con el correr de los años, los equipos interdisciplinarios se
fueron disolviendo, y los nuevos miembros de la IO/CA provenían de los
campos de la matemática y la estadística aplicadas. Académicamente, la
IO/CA se centró cada vez más en los modelos matemáticos y los
algoritmos de solución estratégica. La IO/CA quedó encerrada en una
cápsula rígida y técnica. En los últimos años, sin embargo, esta situación
cambió, con la aparición de metodologías "blandas" y el pensamiento de
sistemas críticos.
El abordaje típico de la IO/CA es la construcción de un modelo para el
problema que se está analizando. Dicho modelo es por lo general (pero no
siempre) matemático. Los problemas prácticos son habitualmente
desestructurados, y la definición y aclaración de los problemas, como así
también la construcción de sus modelos, constituyen una parte importante
de la metodología de la IO/CA. Muchos descubren que el entendimiento
que brinda construir un modelo es una parte muy valiosa en los proyectos
de IO/CA. Una vez construido el modelo se deben utilizar algoritmos para
resolverlo. Un algoritmo es una serie de pasos que lograrán una
determinada tarea. El estudio, comprensión e invención de dichos
algoritmos constituyen también una parte importante de la modelización
de IO/CA para la toma de decisiones. El decisor podría incorporar algunas
otras perspectivas del problema-como por ejemplo las culturales,
psicológicas, etc.-a las recomendaciones del científico de administración.
Por último, se necesitan habilidades comunicacionales y políticas para
implementar los resultados del modelo de IO/CA en situaciones de la vida
real. Los modelos de IO/CA apuntan a asistir al decisor en el proceso de
toma de decisiones.

La idea de que el proceso racional de toma de decisiones puede estudiarse,

aprenderse y enseñarse hace de él un abordaje científico basado en
principios lógicos. Por lo tanto, no es válido eso de que "se nace hombre
de negocios" sino que se uno se hace. Cuando un hombre de negocios
exitoso es también un científico de la administración, puede transferir
conocimientos sobre administración a otros. Esto ocurre porque la idea se
comunica utilizando lenguaje analítico. Si se utiliza un abordaje donde no
existe un pensamiento consciente (es decir, saber cuánto se sabe), el
análisis de la solución estratégica no puede explicarse ni defenderse ante
otras personas. Desafortunadamente, la evidencia de la toma racional de
decisiones es en su gran mayoría evidencia negativa, evidencia de lo que
la gente no hace.

Ustedes podrían preguntar, "¿Por qué debemos aprender el proceso de

toma de decisiones?" Aquí les presento algunas razones motivadoras:

 Las organizaciones se vuelven cada vez más complejas.

 Los entornos están cambiando tan rápido que las prácticas
anteriores ya no son las adecuadas.
 Ha aumentado el costo de tomar decisiones incorrectas.

Asimismo, deben dominar los significados exactos de las Palabras Claves

y las Frases que se utilizan en las profesiones de IO/CA, ya que si su
vocabulario es limitado, sus pensamientos también lo serán y viceversa.
Deben conocer el aspecto comercial de la profesión. Es importante para
aprender el idioma de los gerentes. Por ejemplo, los ingenieros deben
aprender a traducir "precisión" en más dólares de ganancias/ahorros. Este
es el único idioma que conocen los gerentes. Ustedes deben superar las
barreras de la comunicación. Dependiendo de quién reciba nuestro
informe incluiremos o no un modelo de IO/CA. Es responsabilidad del
equipo de ciencia de la administración redactar un informe que sea
comprensible para quienes lo lean. En conclusión, si no es capaz de
traducir de manera comprensible y efectiva los modelos y los cálculos
resultantes nuevamente a la situación del mundo real de la cual se los
extrajo, el profesional de IO/CA no logrará su propósito.

La modelización en IO/CA es más que un conjunto de métodos analíticos.

Los modelos de IO/CA apuntan a asistir a los decisores en el proceso de
toma de decisiones. Una parte fundamental de la modelización en IO/CA
es el "abordaje de sistemas" para la solución de los problemas. Este
abordaje enseña que el contexto de los problemas organizacionales es tan
importante como el problema planteado. La definición del problema, la
recopilación de datos, la consulta con los involucrados en la solución y la
implementación del cambio son aspectos de la educación y capacitación
en IO/CA. Ya que es más fácil hacer planes que ponerlos en práctica, los
modelos que no se implementarán son aquellos que no fueron elaborados
en la forma correcta ni tomados seriamente desde el principio.

La modelización en IO/CA ayuda a mejorar las operaciones de empresas y

gobiernos mediante el uso de métodos científicos y el desarrollo de
técnicas especializadas. La Investigación Operacional no es
"investigación"; es el ciclo del proceso de re-búsqueda de una solución
estratégica óptima (o deseable) para el problema / situación de decisión. El
proceso de modelización en IO/CA brinda abordajes sistemáticos y
generales para solucionar problemas de decisión, cualquiera sea la
naturaleza del sistema, producto o servicio. Los abordajes y las
herramientas utilizados en los modelos de IO/CA se basan en uno o más
de los siguientes métodos analíticos, simulación y razonamiento
cualitativo o lógico. La lógica es el vehículo (el contenedor) para transferir
(entregar) ideas (la palabra logística deriva de lógica con un significado
similar, pero físico) y soluciones a otras personas. Muchas de estas
herramientas y abordajes dependen de metodologías informáticas para su
implementación.

A muy pocos nos interesa aprender lógica, ya que nos concebimos como
suficientemente hábiles en la ciencia del razonamiento. Pero esta
satisfacción se limita a la propia racionalización, y no se extiende a la de
los demás. Mucha gente utiliza "Por ejemplo,..." para probar algo, pero
"Por ejemplo" no es prueba. En cambio, un buen "antiejemplo" podría ser
no sólo necesario sino también suficiente para refutar una hipótesis
determinada.
La lógica es la higiene del proceso de pensamiento; también es un
contenedor firme en el que colocar las ideas para luego entregarlas a otros.
La lógica por sí misma no es nada. No es el alimento en el plato; las
buenas ideas residen en las mentes brillantes. Ambas son necesarias: las
buenas ideas y una buena lógica para comunicarlas.

Resumiendo, el proceso de modelización en IO/CA es la aplicación de

métodos científicos a problemas / oportunidades de la organización que
son complejos y que requieren decisiones. Los modelos de IO/CA apuntan
a asistir al decisor en el proceso correspondiente. Este proceso de
modelización se usa mucho en la industria manufacturera, en la
distribución de productos al menor costo y en las funciones financieras,
como así también en las industrias de servicios y en los sectores de salud y
educación. Los objetivos de la IO/CA son la mejora de sistemas existentes
y el diseño correcto de sistemas nuevos.

El proceso de modelización en IO/CA es una de las herramientas

innovadoras más importantes para la toma de decisiones del Siglo XXI.

Necesidades históricas de IO/CA

Hasta mediados del 19° pasado, la mayoría de las empresas industriales

empleaban sólo unos pocos trabajadores. Pero a medida que se expandían,
se hizo cada vez más difícil que una sola persona pudiera administrar
todas las nuevas funciones gerenciales del nuevo negocio en forma
efectiva. Se desarrollaron nuevas metodologías científicas para brindar
apoyo en cada nuevo tipo de función gerencial. Al aparecer formas más
especializadas de administración surgieron más subfunciones
especializadas, como por ejemplo, control de calidad estadístico,
mantenimiento de equipos, investigación de mercado y control de
existencias. Cuando una función gerencial se descompone en un conjunto
de subfunciones diferentes, se crea una nueva tarea, llamada función
ejecutiva de administración, que integra las diferentes subfunciones de
manera tal que se cumplan los propósitos del negocio en su totalidad. La
función ejecutiva evolucionó gradualmente junto con las organizaciones.
Sin embargo, las demandas sobre los gerentes aumentaron y éstos, a su
vez, buscaron ayuda fuera de la organización. Así nacieron los consultores
en administración. Lo que nosotros hoy en día llamamos IO/CA es, en
realidad, el uso de herramientas científicas para ayudar a los ejecutivos.

La IO se originó en Gran Bretaña durante la Segunda Guerra Mundial,

para abordar matemática o cuantitativamente las operaciones militares.
Desde entonces, la IO/CA ha evolucionado hasta aplicarse a todos los
aspectos de un sistema, producto o servicio, y es por eso que con
frecuencia se la menciona como Administración de Sistemas o Ciencia de
la Administración. En la actualidad, es reconocida como aporte importante
a la toma de decisiones, en una amplia variedad de aplicaciones de
negocios, industria y gobierno.

El término IO surgió en los años '40, cuando se investigaban el diseño y

análisis de modelos matemáticos para las operaciones militares. Desde
entonces se extendió el alcance de la IO, incluyendo la economía
(conocida como econometría), la psicología (psicometría), la sociología
(sociometría), el marketing (investigación de mercado y ciencia del
marketing), la astrología (astronomía) y a los problemas de planificación
corporativa. La creciente complejidad de la administración ha hecho
visiblemente necesario el desarrollo de técnicas matemáticas sofisticadas
para la planificación y la toma de decisiones, y la IO/CA se destaca en este
ciclo estructurado del proceso de toma de decisiones brindando una
evaluación cuantitativa de políticas, planes y decisiones alternativas. Las
disciplinas matemáticas más utilizadas en el proceso de modelización en
IO/CA son programación matemática, probabilidad, estadística e
informática. Algunas áreas de la IO, como por ejemplo el control de
existencias y el control de producción, y la teoría del scheduling, se han
transformado en sub-disciplinas por propio derecho y se han hecho en
gran medida indispensables en el mundo moderno.

Las organizaciones militares habían pasado por el mismo tipo de

evolución que los demás negocios y sectores. Esta evolución de las
organizaciones tuvo lugar durante los veinte años desde fines de la
Primera Guerra Mundial a comienzos de la Segunda, cuando los líderes
militares tuvieron que recurrir a la ayuda de equipos de científicos, que
eran asignados, por lo general, al ejecutivo a cargo de las operaciones; es
por eso que esta función se comenzó a conocer como Investigación
Operacional en el Reino Unido y con diferentes nombres en los Estados
Unidos: Investigación Operacional, Investigación Operativa, Análisis
Operacional, Análisis de Sistemas y Ciencia de la Administración. El
nombre Investigación Operacional es el más utilizado.

El potencial que tienen los sistemas informáticos y de información como

nuevas herramientas para la administración obligó a los ejecutivos que no
estaban técnicamente capacitados a comenzar a buscar ayuda en la
informática. La búsqueda emergente de asistencia se aceleró con el
estallido de la Guerra de Corea. Este crecimiento importante de la IO en
las fuerzas armadas continuó hasta aplicarse rápidamente en otras
industrias y sectores.

Naturaleza y significado de la IO/CA

Son muchas las definiciones ofrecidas de IO/CA, como así también
muchos los argumentos del porqué no puede definirse. Las siguientes
definiciones son una base útil para una comprensión inicial de la
naturaleza de la IO/CA:

Método científico por el cual la administración ejecutiva dispone de una

base cuantitativa para las decisiones de operaciones bajo su control
(Mores-Kimball 1943).

La aplicación del método científico por parte de equipos

interdisciplinarios a problemas que implican el control de sistemas
organizados (hombre y máquina) para brindar las soluciones que mejor
cumplan el propósito de la organización en su totalidad (Ackoff- Sasieni
1968).

Abordaje científico para la solución de problemas en la administración

ejecutiva (Wagner 1969).

Toma de decisiones óptimas, y su modelización, en sistemas deterministas

y probabilísticos que tienen su origen en la vida real. Estas aplicaciones-en
el gobierno, los negocios, la ingeniería, la economía y las ciencias
naturales y sociales-se caracterizan principalmente por la necesidad de
distribuir recursos limitados. En estas situaciones, el análisis científico,
como por ejemplo el brindado por la IO/CA, puede proporcionar
información importante (Hiller-Lieberman 1974).

Rama de la matemática aplicada al proceso de toma de decisiones. (Gross

1979).

Si comparamos las definiciones de More-Kimball y Gross, la divergencia

es notable después de treinta y seis años: en un caso, la IO/CA se define
como un método científico, mientras que en el otro se la ve como una
rama de la matemática.

Al analizar estas definiciones debería tenerse en cuenta que ni la disciplina

científica antigua y bien establecida ni la ciencia misma han sido definidas
de modo tal que resulte aceptable para la mayoría de los que las utilizan.

Metodología de IO/CA

La IO/CA es el método matemático (principalmente matemático) de toma

de decisiones. En la mayoría de los debates sobre el método científico, se
citan como esenciales las ocho etapas siguientes:
(1) Percepción de la necesidad; (2) Formulación del problema; (3)
Construcción del modelo; (4) Obtención de la solución; (5) Validación y
verificación; (6) Establecimiento de controles; (7) Implementación y
Recomendación; y (8) Evaluación de los resultados.

Aunque estas fases de los proyectos de IO/CA se ejecutan por lo general

en el orden mencionado, no siempre terminan en este orden. De hecho,
cada etapa continúa hasta el final del proyecto e interactúa continuamente
con las demás.

Aplicaciones prototipo

Una consecuencia importante de la aplicación de la IO/CA a una amplia

variedad de problemas es que se ha podido identificar un pequeño
conjunto de tipos de problemas que representan a la mayoría. Como éstos
se repiten con frecuencia, se han desarrollado técnicas prototipo para
modelizarlos y para derivar las soluciones de esos modelos. Las
aplicaciones prototipo son:

Pronóstico: Utilizar el análisis de series temporales para responder

preguntas típicas, como por ejemplo: ¿Cómo será la demanda de
productos? ¿Cuáles son los modelos de venta? ¿Cómo afectará las
ganancias?

Finanzas e inversión: ¿Cuánto capital se necesita? ¿Dónde podemos

obtenerlo? ¿Cuánto costará?

Planificación y asignación de mano de obra: ¿Cuántos empleados se

necesitan? ¿Qué habilidades deberían tener? ¿Cuánto tiempo trabajarán
con nosotros?

Secuenciamiento y scheduling: ¿Qué tarea es más importante? ¿En qué

orden deberían realizarse las tareas?

Localización, asignación, distribución y transporte: ¿Cuál es la mejor

localización para una operación? ¿Qué tamaño deberían tener las
instalaciones? ¿Qué recursos se necesitan? ¿Existen deficiencias? ¿Cómo
se pueden establecer las prioridades?

Política de confiabilidad y sustitución: ¿Cómo funciona el equipo? ¿Cuán

confiable es? ¿Cuándo debería reemplazarse?

Control de existencias y falta de stock: ¿Cuántas existencias deberíamos

mantener? ¿Cuándo se pide más? ¿Cuánto deberíamos pedir?
Reglas de costo-beneficio: Dada la evaluación de los costos y beneficios
del decisor, qué elección debería recomendarse.

Planificación y control del proyecto: ¿Cuánto tiempo requerirá el

proyecto? ¿Qué actividades son las más importantes? ¿Cómo deberían
utilizarse los recursos?

Puesta en cola y congestión: ¿Cuán largas son las colas? ¿Cuántos

servidores deberíamos utilizar? ¿Qué nivel de servicio estamos brindando?

Esta amplia gama de aplicaciones potenciales y la gran variedad de

técnicas para el proceso de modelización en IO/CA, que pueden elegirse y
combinarse para lograr un abordaje multidisciplinario, funcionan en
conjunto, haciendo que la profesión resulte dinámica y estimulante.

Flexibilidad y variedad de carreras en IO/CA

La Maestría en Administración de Empresas con especialización en

Investigación Operacional / Ciencia de la Administración (IO/CA) les
permite a los graduados encontrar empleo como analistas de IO/CA,
académicos o gerentes. Es un hecho que el haberse capacitado y trabajar
en IO/CA puede conducir a la suite ejecutiva donde se toman las
decisiones. Las oportunidades de hacer carrera en alguna de las siguientes
áreas son excelentes:

Producción, seguros, planificación, análisis de sistemas, marketing,

elaboración de presupuestos, finanzas, evaluación de programas, banca,
servicios (sin fines de lucro).

Las personas que se sienten atraídas por la matemática, la estadística y

otras ramas generales de la ciencia para la solución de problemas de
decisión con significación práctica deberían considerar particularmente la
profesión de IO/CA.

Algunas personas ven la IO/CA como una profesión "para personas

jóvenes". Esto podría ser relevante si se tiene en cuenta que la
modelización analítica es el núcleo de la IO/CA. Es una creencia que
proviene de la comunidad matemática. Algunos matemáticos consideran
que la matemática es un juego de mente, , por lo tanto, como cualquier
otro juego, la gente joven lo emprende de un modo más pleno. Sin
embargo, la juventud no es una etapa de la vida... es un estado mental.
Entonces, mientras su mente esté activa, usted es joven y digno sin duda
de la estimulante profesión de la IO/CA. Nadie es demasiado viejo si tiene
pasión por aprender. Absorber nuevas ideas es recomenzar a vivir viendo
el mundo con nuevos ojos.

IO/CA como Ciencias de Sistemas

Hoy en día la palabra "Ingeniería" tiene un significado y un alcance más

amplio que el de ocuparse únicamente de motores. La palabra ingeniería,
en frases tales como actividades de reingeniería de los negocios, tiene un
alcance mucho más amplio. Sobre la base de la matemática, la estadística,
la investigación operacional y la economía, la Ingeniería de Sistemas
incluye el diseño, control y administración de sistemas complejos que
aparecen en la producción, el transporte, las telecomunicaciones y el
medio ambiente. Las Ciencias de Sistemas orientan sobre el diseño óptimo
de los sistemas de negocios, como así también de sus operaciones y
mantenimiento, considerando al sistema en su totalidad, y no como
componentes individuales.

La Ingeniería de Sistemas existe como disciplina porque la complejidad de

los sistemas en gran escala complica su diseño efectivo total. La disciplina
se centra en determinadas áreas de la matemática y la metodología, y no
en las ciencias físicas particulares, como es común en otras especialidades
de la ingeniería. Los ingenieros en sistemas aprenden a modelizar,
simular, optimizar, integrar y evaluar sistemas. Participan en proyectos
grupales de aplicación de sistemas, como en control ambiental,
telecomunicaciones, transporte, administración de proyectos/modelos y
producción.

IO/CA como Ingeniería Industrial

Los ingenieros industriales diseñan sistemas que le permiten a la gente y a

la sociedad mejorar la productividad, eficiencia, eficacia y calidad del
entorno de trabajo. Todos los ingenieros trabajan en la planificación,
diseño, implementación y control de los sistemas que representan la forma
en que la gente utiliza la tecnología. Los sistemas sujetos al diseño de la
Ingeniería Industrial son amplios y se caracterizan por la necesidad de
integrar tanto las capacidades humanas físicas como la toma de decisiones
con todos los demás aspectos del diseño de sistemas. A continuación una
muestra del alcance de los problemas:

 El diseño de un método de trabajo y un puesto de trabajo,

 El diseño de la distribución de planta en una fábrica y métodos de
control de flujo de materiales en el piso,
  El diseño de un plan corporativo general que incluya la provisión,
producción, existencias y distribución de materiales.

El concepto de fábrica incluye además los sistemas para el cuidado de la

salud, los sistemas municipales y los sistemas de transporte. En realidad,
incluye todos los sistemas que son esenciales para el funcionamiento de la
sociedad moderna. Los sistemas que facilitan la toma de decisiones y la
implementación efectivas en áreas tales como scheduling, existencias y
control de calidad son típicos de la ingeniería industrial.

El comportamiento y las capacidades humanas son elementos claves en los

sistemas con los que trabajan los ingenieros industriales. En el diseño de la
distribución en planta de una línea de producción en una automotriz, de las
cajas en un supermercado, de la organización del flujo de trabajo
administrativo en un banco, de un sistema de manejo de materiales o de
una acería, el ingeniero debe considerar los requerimientos físicos, los
parámetros de costos y el desempeño físico y comportamiento de los
operadores humanos. El ingeniero industrial tiene la doble responsabilidad
de, por un lado, ampliar la capacidad humana para operar, administrar y
controlar el sistema de producción en general y, por otro, garantizar la
seguridad y bienestar de los que trabajan en el sistema.

El diseño y el desarrollo de estos sistemas requieren de la experiencia

única de los ingenieros industriales. El proceso de ingeniería siempre
comienza con una medición. Mientras que otros ingenieros podrían medir
temperaturas, presiones o cargas del viento, el ingeniero industrial mide el
tiempo de un ciclo de trabajo, el valor en dólares de los gastos, promedios
de fallas de maquinarias o procesos de demanda para productos
terminados. Por lo general, el análisis matemático debe considerar el
riesgo y la incertidumbre más que en otros campos de la ingeniería. Con
frecuencia es necesario hacer simulación y optimización con programas de
computación. Los conceptos y las técnicas de la Ingeniería Industrial
sirven para desarrollar las habilidades que satisfacen los desafíos
específicos de los sistemas que requieren actividades gerenciales.

IO/CA como Sistemas de Información de Gestión

Existe una superposición importante entre el campo de la IO/CA y el de

los Sistemas de Información. Muchas operaciones de negocios requieren
conocimientos intensivos de informática y sistemas de información. Del
mismo modo, la administración de instalaciones informáticas o de
información requiere un gran conocimiento de temas tales como
scheduling, estrategias de sustitución y políticas sobre el desarrollo y
adaptación de nuevas tecnologías.
El mundo de los negocios está cada vez más informatizado y aumenta el
uso intensivo de la información; por lo tanto, los expertos en IO/CA y en
Sistemas de Información combinan sus experiencias en el proceso de
modelización en IO/CA y sus conocimientos de las tecnologías actuales de
computación. Diseñan y administran sistemas computarizados que
controlan la producción y distribución de los productos y servicios de una
empresa. Existen oportunidades de hacer carrera en la mayoría de las
industrias y organizaciones gubernamentales en las áreas de análisis y
diseño de sistemas.

IO/CA como Administración de la Producción y las Operaciones

La Administración de las Operaciones es el área funcional de los negocios

que está relacionada con la producción de bienes y servicios. Junto con
otras áreas funcionales, también se ocupa de la administración de los
recursos (insumos) y la distribución de los artículos terminados y los
servicios a los clientes (productos).

Las Operaciones se refieren a la producción de bienes y servicios: el

conjunto de actividades de valor agregado que transforma los insumos en
productos.

La Administración de las Operaciones se ocupa de la administración de la

producción y distribución de los bienes y servicios de una empresa u
organización gubernamental. Los temas incluyen: pronóstico de la
demanda de los productos y/o servicios de la organización; desarrollo de
procesos eficientes de producción; planificación y control de existencias;
programación de la mano de obra, y diseño y administración de las redes
de distribución y transporte.

El estudio de la Administración de las Operaciones abarca las disciplinas

Investigación Operacional, Estadística y Sistemas de Computación e
Información. Es una combinación entre estudios de campo y el uso de
modelos computarizados para analizar y simular la operación de sistemas
reales.

Operaciones es el corazón de la mayoría de las organizaciones, y se

encuentran oportunidades en el área de pronóstico, administración de
existencias, diseño de instalaciones de producción, programación de mano
de obra y localización y disposición de redes de distribución. La
especialización en Administración de las Operaciones es particularmente
útil en combinación con el estudio de otra área funcional del negocio,
como puede ser marketing, finanzas o sistemas de información de gestión.
Introducción y resumen

Gran parte del análisis de IO/CA comienza con modelos de sistema que
son representaciones sintéticas de sistemas físicos/operativos. El modelo
de sistema relaciona las variables que afectan del rendimiento del sistema
con una o varias medidas de desempeño de sistemas, en forma lógica.
Experimentando con el modelo pueden explorarse los efectos de diversas
decisiones de administración.

Los resultados analíticos que se obtienen del modelo siempre deben

templarse con el juicio experimentado, ya que habitualmente hay factores
que no pueden incorporarse al modelo. No obstante, el análisis de un
sistema por medio de la aplicación de un modelo razonable muchas veces
sirve de elemento valioso para las decisiones de gestión. Si bien el modelo
de un sistema puede asumir muchas formas, lo habitual es que incluya las
relaciones lógicas entre las variables que afectan el rendimiento del
sistema y alguna(s) medida(s) de dicho rendimiento. Con frecuencia, estas
relaciones se expresan en forma matemática. Modificando los valores de
estas variables en las relaciones, el gerente o el analista pueden determinar
el efecto de una variedad de condiciones sobre la eficacia operativa del
sistema que describe el modelo.

La IO/CA aborda el proceso de toma de decisiones principalmente por

medio de modelos matemáticos. El uso de modelización matemática se ha
extendido a los sectores público y privado, creciendo rápidamente con la
alta disponibilidad de la PC.

Los profesionales de la IO/CA ya hace tiempo sostienen que el sistema

bajo estudio-y sus características operativas-deben ser los que dicten el
abordaje de modelización, y no que la familiaridad que tiene el analista
con la modelística sea la que dicte su propia descripción del sistema. Esto
es fácil de decir pero bastante difícil de lograr, más allá de su real
veracidad. Creemos que una perspectiva interpretativa conceptualmente
orientada es de definida utilidad para el analista, en su búsqueda de un
modelo que describa el sistema bajo estudio lo más exactamente posible.
En el proceso de modelización se debe considerar lo siguiente:

1. Hay que ver, pero no alcanza; luego hay que destinar tiempo a
observar.
2. Hay que pensar, pero no alcanza; luego hay que destinar tiempo a
razonar.
3. Hay que darse cuenta de lo que es necesario hacer, pero eso no
alcanza; luego hay que destinar tiempo a entender "cómo y por
qué" y las consecuencias.
 4. También hay que planear bien las acciones, pero eso no alcanza;
luego hay que destinar tiempo a implementar, y quizás adaptar, los
planes.
5. Ahora hay que comunicarle al decisor lo que se ha hecho, pero eso
no alcanza; luego hay que destinar tiempo a interpretar lo logrado,
su significado y consecuencias, para que otros también puedan ver.

En esencia, son dos los puntos de vista polares sobre el proceso de

modelización analítica en la IO/CA:

1. Si se usan apropiadamente, los métodos darán la única respuesta

"correcta" al problema de decisión y prescribirán el curso de
acción que tomará el ejecutivo, o bien
2. Los métodos son innatos y esencialmente inútiles; el proverbial
"fuego fatuo", y por eso las personas "prácticas" no debieran
perder su tiempo estudiándolos.

La verdad yace en algún lugar entre estas dos opiniones extremas. Los
Métodos Cuantitativos pueden resultar útiles si logra verse con claridad su
lugar correcto en el análisis de problemas de decisión.

La Parte Tres de este sitio Web es "filosófica", porque un modelo es una

abstracción de la realidad que anhelamos usar para entenderla; lo
importante es que la noción de la realidad debe ser delicadamente
ponderada y balanceada en una situación de decisión. La excesiva
simplificación puede llevar a adoptar malas decisiones. Y si el modelo
construido es demasiado complejo nos puede conducir a decisiones
inoportunas, al igual que a recomendar decisiones que en realidad nadie
comprende. Un modelo bien equilibrado nos puede brindar información
importante y útil, a bajo costo. Los modelos no aparecen simplemente, los
modelos se construyen, y es trabajo muy difícil.

El proceso de pensamiento focalizado y consecutivo como

modelización mental

¿Qué hacen los artistas? Crean modelos de la realidad que son más
hermosos que la realidad misma para hacer nuestra existencia más
llevadera. Sin embargo, como digo Miguel Angel alguna vez, "El hombre
pinta con su mente y no con sus manos." Un proverbio japonés dice, "El
pensar sin actuar es un ensueño. El actuar sin pensar es una pesadilla."

Cuando uno enfrenta un problema siempre debe preguntarse si el

problema es concebible. No toda idea o concepto son concebibles.
Además, toda idea concebible merece su propio tiempo en la mente. Los
siguientes pasos deberían seguirse en orden secuencial:

1. ¿El problema es concebible?

2. ¿Es realmente necesario concebirlo?
3. ¿Cuenta con información suficiente para comenzar a concebirlo?
4. ¿Cuánto tiempo debería dedicar a concebirlo? (Recuerde que la
mayoría de la gente pierde diariamente la mayor parte de su tiempo
agrandando cosas intrascendentes).

El enigma se observa en Las aventuras de Alicia en el país de las

maravillas: ' "¿Cómo voy a entrar?" preguntó Alicia nuevamente, en tono
más alto. "Para empezar, ¿quieres entrar?" dijo el Lacayo. "Tú sabes, ésa
es la primera pregunta." '

La siguiente es una pregunta/problema inconcebible. ¿Existe la vida

después de la muerte? Esta pregunta no es concebible. Se la concibe igual
que a la "vida antes de la vida." Poder controlar el proceso de pensamiento
es lo más difícil, y requiere disciplina y entrenamiento. Se debe adquirir la
capacidad de desarrollar un proceso de pensamiento focalizado y
consecutivo durante un período limitado y predeterminado, a fin de
producir una solución para un problema dado y bien definido. No existe
arbitrio al que el hombre no recurra para evitarse el real esfuerzo de
pensar.

Recuerde que:
Los pájaros vuelan; cuando se cansan, tocan tierra.
El hombre piensa; cuando se cansa, dice "Ya entiendo."

La modelización es pensar y seguir secuencias lógicas. Por lo tanto, en

este sentido se debe aprender a pensar del mismo modo en que uno
aprende a bailar. Se puede bailar con lógica.

Dos modelos muy utilizados son el idioma y la religión. El idioma es un

modelo que consiste en una secuencia de metáforas para comunicar
nuestros sentimientos, deseos, pasiones, etc. a otras personas. El idioma es
un sistema de pensamientos codificados.

También las religiones son un modelo para preguntas del tipo: ¿Cómo
debería vivir? ¿Qué debería creer? ¿Cómo debería comportarme? ¿Qué
debería hacer? y otras. En el Islam, por ejemplo, un hombre puede tener
muchas esposas, pero no debe beber vino. En el Cristianismo se permite lo
contrario. Aquí tenemos una opción. Los modelos cambian
permanentemente para adaptarse a la realidad. Por ejemplo, Martín Lutero,
entre otros, descubrió la necesidad de la reforma y modificó el modelo
católico. Los modelos, en general, deberían poder brindar "ideas" útiles
para resolver los problemas de decisión. En el caso de los modelos
religiosos, ¿cómo debería vivir? no es un problema de decisión. Las
respuestas imperativas y autoritarias a casi todas las decisiones similares
ya están dadas. Sin embargo, primero se debe tomar la única gran
decisión, que es "el salto de fe".

¿Por qué se llama modelos a las modelos de moda? La respuesta es que

intentan representar una realidad de cómo se vería, por ejemplo usted, con
esa misma ropa. Como ya saben, eventualmente todo termina en la
modelización.

El mundo externo se nos presenta a través de las percepciones sensoriales.

Los modelos constituyen re-presentaciones de la realidad, que pueden o no
representarla en forma exacta. Por ejemplo, creamos modelos de las
personas en nuestras mentes. Y al actuar nos enteramos si el modelo fue el
exacto. Mucha gente comete el error de suponer que su modelo es la
realidad; culpan a los demás y dicen que "algo está mal". Un modelo
"validado" es el que re-presenta la realidad.

Cualquiera puede percibir el mundo exterior. Un pensador no sólo puede

ver el mundo exterior, sino que también puede re-presentar esas
percepciones como modelos, como se muestra en la siguiente figura:

La figura anterior representa los siguientes pasos:

1. Percepción del mundo exterior a través de los sentidos de

percepción física.
2. El pensador de la figura anterior procesa y analiza la información a
través de actividades mentales para formar una interpretación.
 3. El pensador representa nuevamente la interpretación (ahora
llamada entendimiento) "como si" fuera sin duda la realidad
misma.

Podríamos confiar demasiado en nuestro entendimiento y pensar que

adivinando y estimando somos mejores de lo que realmente somos. Esto
sucede porque percibimos el mundo a través de 'nuestros' sentidos e
interpretamos lo que percibimos en base a nuestras experiencias y a
nuestras formas de pensar entrenadas. El punto es que existen muchas
trampas en las que caemos los humanos cuando tomamos decisiones
importantes.

El modelo es una representación de la realidad desde la perspectiva del

creador del modelo. Por lo tanto, se debe desarrollar un modelo de
perspectivas múltiples del problema para poder comprenderlo. Viene a mi
mente la teoría del conocimiento de Friedrich Nietzsche:
"Hay sólo una perspectiva viendo, sólo una perspectiva conociendo, y
cuanto más nos permitamos pensar sobre una cosa, más completo será
nuestro concepto de esa cosa, nuestra objetividad". Debe observarse el
problema desde muchos ángulos y evaluar cómo encajan las piezas para
ver la totalidad del problema de decisión Immanuel Kant y Arthur
Schopenhauer, entre otros, denominaron a este modelo "el mundo como
una representación" de nuestro entendimiento a través del Tiempo, el
Espacio y la Causalidad. Si bien la relación causa efecto constituye una
herramienta útil para explicar el mundo físico, Spinoza introdujo el
concepto de Motivación para explicar las acciones humanas.

La modelización tiene una tradición de la que enorgullecerse. La siguiente

tabla presenta algunos otros grandes creadores de modelos, desde la
antigüedad hasta el presente.

Aristóteles
Galileo Descartes  Kant
Newton  Spinoza  Emerson 
Einstein  Darwin Nietzsche

El proceso de observación del sistema es una actividad de aprendizaje. Por

lo tanto, es un concepto tripartito: Pensador + Aprendizaje + Sistema.
Existen diferentes órdenes en los que se pueden acomodar los tres
conceptos. Por ejemplo, los "sistemas de aprendizaje ", que son
principalmente nuestras instituciones educativas.

La modelización es la ciencia de llegar al juicio óptimo y requiere la

combinación de muchas disciplinas porqu la toma de decisiones es una
actividad humana central. . Por lo tanto, la IO/CA abarca muchas
disciplinas de estudio. Los modelos de IO/CA apuntan a asistir al decisor
en el proceso de toma de decisiones.

¿Por qué la IO/CA es una ciencia? ¿Qué es ciencia? La ciencia es el objeto

del pensamiento. El pensamiento mismo es una secuencia de actividades
simbólicas internas que conduce a ideas o conclusiones novedosas y
productivas sobre un problema de decisión. Sin embargo, el pensamiento
se da sobre una versión del mundo exterior llamado "modelo mental". Por
lo tanto, la modelización es el proceso que ocurre en las redes nerviosas
del cerebro cuando se inicia el proceso estructurado de pensamiento
focalizado y consecutivo. La modelización incluye la percepción,
formulación de nuestra experiencia, procesamiento y re-presentación de la
información del mundo exterior. El resultado de estos procesos
estructurados se denomina modelo. La solución de los problemas
gerenciales requiere la modelización mental, que es un proceso de tensión
resolutoria (es decir, de competencia de fuerzas) hasta que se formula
nuestra experiencia del problema.

Mediante el análisis (es decir, el proceso estructurado de pensamiento

focalizado y consecutivo) procesamos esta información para comprender
la realidad (es decir, para verla más allá de nosotros mismos). El resultado
es un "modelo". Con la descripción del modelo de la realidad se toma
conciencia de la realidad. Por lo tanto, un modelo es una re-presentación
de la realidad. Para lograr un modelo exacto se debe seguir un ciclo de
proceso de modelización matemática. La matemática la inventaron los
hombres en un intento por definir la vida en sus propios términos.

La matemática se ha utilizado en todas las ramas de la física. Por ejemplo,

sobre la modelización de nuestro universo, Galileo Galilei dijo: :

La filosofía está escrita en este gran libro-me refiero al universo-

que permanece continuamente abierto a nuestras miradas, pero que
no puede comprenderse a menos que se aprenda primero a
comprender el idioma e interpretar los caracteres en los que está
escrito. Está escrito en el lenguaje de las matemáticas, y sus
caracteres son triángulos, círculos y otras figuras geométricas, sin
los cuales sería humanamente imposible entender una sola palabra;
sin ellos, uno está perdido en un oscuro laberinto.

Creencia, opinión y hecho

No deberíamos confundir los hechos con las creencias u opiniones. La

siguiente tabla ayuda a esclarecer la diferencia:
 Creencia, opinión y hecho
Creencia Opinión Hecho
Uno se dice a sí Esta es la verdad. Tengo
Así lo veo yo Es un hecho
mismo razón
Uno le dice a los Así lo ve Puedo
Está equivocado
demás usted explicárselo

Las creencias se definen como el propio entendimiento o las necesidades

de una persona. En la creencia, "yo" siempre tengo razón y "usted"
siempre está equivocado. No se puede hacer nada para convencer a la
persona de que está equivocada.

Con respecto a la creencia, Henri Poincaré dijo "Dude de todo o crea todo:
son dos estrategias igualmente convenientes. Con cualquiera de ellas,
eliminamos la necesidad de pensar por nosotros mismos". Creer significa
no querer enterarse de los hechos. Que una creencia sea falsa no es
necesariamente una objeción a la misma. El tema es hasta qué punto
mejora la vida del que cree.

La historia de la humanidad está llena de inquietantes perspectivas

normativas, representadas, por ejemplo, en las inquisiciones, las cazas de
brujas, las censuras y las técnicas de lavado de cerebro. Las "creencias
sagradas" están no sólo dentro de la religión, sino también en las
ideologías, y también podrían estar en la ciencia.

La historia de la humanidad también está plagada de modelos de creencias

que fueron luego descartados. Esto no obstante no significa que hubo
alguien que no comprendía algo y luego inventó el modelo, ni que no
tuviera utilidad o valor práctico. La idea principal fueron los valores
culturales del modelo equivocado.

Las opiniones (o los sentimientos) son algo menos extremos que las
creencias; sin embargo, son dogmáticos. Una opinión significa que una
persona tiene determinadas visiones que cree son correctas. Asimismo
sabe que los demás tienen derecho a tener sus propias opiniones. La gente
respeta las opiniones de los demás y a la vez espera lo mismo. En la
formación de nuestra propia opinión, las observaciones empíricas
obviamente se ven fuertemente afectadas por la actitud y la percepción.

Sentimiento y pensamiento: Para comprender la diferencia entre

sentimiento y pensamiento, considere cuidadosamente las siguientes
afirmaciones: El que se cree a sí mismo el hombre más feliz, lo es; pero el
que se cree a sí mismo el hombre más sabio, es por lo general el más
tonto.
Los hechos son diferentes de las creencias y a las opiniones. Es en los
hechos donde se basan las decisiones. Un hecho es algo que es correcto y
puede probarse su veracidad, con evidencia y argumentos lógicos. Un
hecho se puede utilizar para autoconvencerse, convencer a los amigos y a
los enemigos. Los hechos están permanentemente sujetos a cambios. Los
datos se transforman en información cuando son importantes para el
problema de decisión. La información se transforma en hechos cuando los
datos la respaldan. Los hechos se transforman en conocimiento cuando se
utilizan en la concreción exitosa de un proceso estructurado de decisión.

El que sigue es un ejemplo que quizás usted conozca: ¿Por qué no existe el
Premio Nobel de Matemática? Muchos son de la opinión que Alfred
Nobel encontró a su esposa en una situación amorosa con Mittag-Leffler,
el principal matemático sueco de la época. Nobel temía que si creaba el
premio de matemática, el primero en obtenerlo sería M-L. La historia
sigue vigente, aunque uno repita una y mil veces el simple hecho de que
Nobel no era casado.

Aprenda a abordar la información en forma crítica y a ejercer

discernimiento principista entre creencias, opiniones y hechos. Se necesita
pensamiento crítico para producir una representación bien razonada de la
realidad en el proceso de modelización. El pensamiento analítico demanda
claridad, consistencia, evidencia, y por sobre todas las cosas, un proceso
de pensamiento focalizado y consecutivo.

Hay ejemplos de creencias, opiniones y hechos en religión, economía, y

econofísica.

De la modelización mental a la modelización analítica

Reflexionando sobre la Filosofía del Conocimiento existen dos escuelas

del pensamiento: la empírica y la teórica. El abordaje empírico (del griego
que significa experiencia) del conocimiento se basa en la experimentación,
la observación y el análisis de los datos. En tal sentido, el conocimiento
empírico se obtiene de los datos de alguna área de la experiencia y luego
se elaboran soluciones en base a ellos. Ejemplos de modelos empíricos son
los que utilizamos en los laboratorios de física para controlar los
resultados por experimentación. El abordaje teórica, por el contrario, se
basa en modelos mentales y pensamientos puros sin referencia alguna al
mundo exterior. La estructura química molecular es un ejemplo de modelo
teórico.

Los modelos teóricos son condensados y abstractos, mientras que los

modelos aplicados son descriptivos y concretos. Francis Bacon expresa la
diferencia entre el conocimiento puramente empírico y el puramente
teórico en las siguientes analogías "Los hombres de experimentar son
como la hormiga, sólo reúnen y usan; los razonadores parecen arañas,
tejen telas con su propia sustancia. Pero la abeja sigue el curso intermedio:
extrae su materia de las flores del jardín y del campo, pero la transforma y
digiere con poder propio."

La modelización está en el corazón de la IO/CA situada entre la teoría y la

experimentación, y utiliza ambas. Los modelos de IO/CA apuntan a asistir
al decisor en el proceso de toma de decisiones.

El proceso de modelización descriptiva en IO/CA contiene más preguntas

CÓMO que PORQUÉ. Siempre es así en todo abordaje científico para
solucionar problemas, incluido el campo de la IO/CA, visualizando las
relaciones subyacentes como atravesando la línea media entre la
causalidad (para las entidades físicas) y la motivación (para las acciones
humanas). ). Por ejemplo, la teoría de la gravedad de Newton aclara cómo
se mueven los planetas, hablando de una fuerza que actuando de
determinada manera representa muy bien el fenómeno observado. ¿Pero,
por qué? Para pasar del cómo al porqué es necesario pasar de una entidad
teórica (una fuerza llamada Gravedad) a una entidad real. Si usted se
pregunta 'porqué' la respuesta es 'por la gravedad'.

La escuela de pensamiento del Realismo Crítico (RC) distingue entre lo

empírico, lo verdadero y lo real. Lo empírico es percibir los datos
relacionados con los eventos, lo verdadero es lo que sucede si los
percibimos o no y lo real es lo que causa la ocurrencia de los eventos. El
RC aduce que los cuerpos o las entidades (personas o cosas materiales o
también entidades abstractas, como por ejemplo las sociedades) tienen
poderes causales/motivacionales que existen independientemente de si se
llevan o no a la acción. Un evento tiene lugar como resultado de los
poderes de diferentes cuerpos que actúan en formas contingentes. Estos
poderes causales son lo que debemos intentar entender y modelizar,
aunque no sean necesariamente visibles. El hecho principal es que en todo
proceso de modelización se deben realizar presunciones acerca del mundo
(ontología) y sobre cómo podríamos descubrir más al respecto
(epistemología).

La mente es lo que el cerebro hace (surge en frases como tener algo en

mente, venir a la mente o traer a la mente). El proceso de pensamiento es
una actividad de la red nerviosa en el cerebro. El pensamiento a
conciencia es el autoconocimiento, es decir, saber cuánto se sabe. Además,
el proceso de concientización distribuye lo que se sabe por todas las ramas
de la red nerviosa del cerebro, a diferencia de la conectividad entre sólo
dos nodos de la red, que denominamos memorización. La disponibilidad,
y por lo tanto la expansión, de lo que se sabe a través de las ramas de la
red nerviosa hace que el procesamiento de la información en el cerebro sea
exacto. Así se llega a poseer un modelo mental reflexivo y brillante de la
realidad.

El análisis es necesario porque nuestras mentes piensan en forma

específica y limitada, de a una cosa por vez. Luego, una vez terminado el
proceso de análisis, sintetizamos lo que debe unirse para ver el todo. De la
combinación de los abordajes mencionados resulta el abordaje de la
IO/CA, basado en modelos que utilizan datos empíricos como respaldo.
Los modelos de IO/CA apuntan a asistir al decisor en el proceso de toma
de decisiones.

Las teorías científicas puras, en general, se juzgan sobre las siguientes

bases:

 el alcance de su validez y exactitud para explicar los fenómenos

observados prediciendo los no observados,
 su simpleza y elegancia,
 su adaptación a la estructura prevaleciente de teorías existentes,
 la cantidad de hipótesis empleadas y su admisibilidad, y
 su flexibilidad en las diversas interpretaciones admisibles.

Las teorías científicas-el Método Símplex de optimización, por ejemplo-

quizás no sean asequibles para la mayoría de las ramas de las ciencias
naturales, biológicas y sociales, ni para ningún método empírico. La
construcción de una teoría en un dominio científico en particular se ve
limitada por las demandas y las posibilidades que imponen los datos
experimentales y el método para su observación. En cierto sentido
abstracto, los científicos de IO/CA que trabajan en los campos "no
exactos" buscan el compromiso entre la base empírica del conocimiento
científico, por un lado, y la coherencia sistemática y la estructura del
entendimiento científico, por el otro.

Dos teorías alternativas sobre la toma de decisiones: Existen dos teorías

básicas sobre la toma de decisiones humanas. La primera se denomina
teoría normativa porque propone presentar pautas y técnicas para lograr
metas predeterminadas. Nos dice qué decisión tomar. La otra es la teoría
positiva (o teoría del comportamiento) y sólo busca describir y explicar
cómo se toman las decisiones.

Las decisiones sensatas siempre se basan en hechos. La modelización

normativa no se ocupa de conocer la realidad del mundo, sino de tener un
sentido idealista de cómo debería o podría ser el mundo. Por ejemplo, en
economía, el positivismo describe una cierta disminución del ritmo
económica en base a hechos, mientras que otro economista normativo lo
vería como un ciclo inevitable de la economía, basado únicamente en
algunas ideologías; es decir, objetos de adoración. Uno de los mitos más
conocidos de la economía normativa es que siempre hay una recesión en la
economía estadounidense cada cinco años. Otro ejemplo del pensamiento
normativo: ¿La historia se repite, o se repiten los historiadores?

Clasificaciones de los modelos:

Mecánico, Mental/Verbal, Analítico y Simulación

El decisor debe identificar cuál es el tipo de modelo que mejor se adecua

al problema de decisión. Es por eso que analizaremos una clasificación de
los modelos antes de entrar en el proceso de construcción del modelo. Si
bien la IO/CA se concentra principalmente en los modelos matemáticos,
los otros tipos de modelos también prevalecen en la práctica.

Los modelos pueden clasificarse según sus características, como sus tipos,
evolución en el tiempo y disponibilidad de información, como se ilustra,
por ejemplo, en la siguiente figura.

Una clasificación de los modelos

Los modelos icónicos son usualmente estáticos por naturaleza, como el

billete de un dólar. Los modelos análogos también son físicos; sin
embargo, aunque fueron diseñados para actuar como la realidad
habitualmente no se le parecen. Son en su mayor parte modelos
mecánicos. En cambio, las actividades de negocios son procesos
dinámicos. El negocio es un proceso que sigue patrones matemáticos. Por
lo tanto, puede representarse mediante modelos simbólicos (es decir,
algebraicos, numéricos, lógicos). Entre los modelos simbólicos
encontramos una gran clase, conocidos como modelos matemáticos y de
simulación por computadora (computer simulation).
Modelos mecánicos: El modelo que adopta la apariencia física del objeto
que debe representar se llama modelo físico. Este tipo de modelo se usa
para mostrar o probar el diseño de elementos, desde nuevas construcciones
hasta nuevos productos. En la industria de la aviación, se construyen
modelos a escala de las nuevas aeronaves que se prueban en túneles de
viento para registrar la aerodinamia del diseño. El fabricante de repuestos
automotrices puede tener un modelo a escala tridimensional del piso de la
planta, completo con máquinas y equipos en miniatura, para poder analizar
un nuevo diseño de la distribución. Las máquinas en el modelo pueden
reubicarse y estudiarse nuevas distribuciones con el objeto de mejorar el
flujo de materiales.

Los modelos mecánicos ofrecen la ventaja de que pueden usarse para

experimentar. En el ejemplo de la aeronave, los ensayos con un diseño
diferente quizás impliquen construir un modelo completamente nuevo.
Además de la ventaja de la experimentación, los modelos mecánicos
lúcidamente describen el problema o sistema que se está estudiando;
resultan útiles para generar alternativas innovadoras de diseño con el
objeto de resolver el problema de decisión. No obstante, sólo una clase de
problemas relativamente pequeña puede resolverse con modelos
mecánicos. Algunos ejemplos de problemas que no pueden analizarse con
modelos mecánicos son la selección de carteras, la selección de medios y
la planificación de producción. Básicamente, los modelos mecánicos son
útiles sólo para los problemas de diseño, e incluso en algunos de estos
casos se puede hacer un análisis más eficiente y completo con modelos
matemáticos que puedan correrse en computadora. Además, estos modelos
mecánicos no contienen relaciones explícitas entre las alternativas de
decisión y las variables y objetivos dependientes, debiendo usarse métodos
de prueba y error para resolver el problema. Si bien esto, de por sí, no es
una terrible desventaja, el proceso de prueba y error, sumado a la
necesidad de reconstruir el modelo con cada cambio de diseño, puede
demandar mucho tiempo y muchos gastos, en algunos casos.

Modelos mentales/verbales: El modelo verbal es la traducción del modelo

mental. Así, el modelo mental/verbal expresa todas las relaciones
funcionales entre las variables de un pasaje. Por ejemplo, consideremos al
gerente de publicidad de una compañía que fabrica cereal y que hace la
siguiente afirmación en relación con los comerciales de televisión del
sábado a la mañana: "Un spot de 20 segundos tiene mucho más impacto en
nuestro target de audiencia que uno de 15 segundos". En este ejemplo, las
distintas duraciones del comercial son las alternativas de decisión; el
"impacto"-que podemos inferir tiene que ver con la propensión de los
padres de los televidentes a comprar el cereal de la compañía-es la
variable dependiente. De este modo, tenemos una relación entre las
alternativas de decisión y una variable dependiente que está relacionada
con los objetivos de la compañía. Estos modelos se utilizan ampliamente
en el mundo de los negocios y ofrecen la ventaja de ser fáciles de
entender. Con frecuencia son el afloramiento de muchos años de
experiencia gerencial y sirven para resumir esa experiencia en lenguaje
comprensible.

Sin embargo, los modelos mentales/verbales tienen una serie de

deficiencias. El decisor no puede experimentar con ellos, tampoco indican
específicamente cómo cambian los resultados o las medidas de su eficacia
según la alternativa de decisión de que se trate. En el modelo
mental/verbal precedente no sabemos cuánto más impacto tiene un
comercial de 20 segundos versus uno de 15 segundos. La otra desventaja
es que no es fácil mostrar cómo cambian las relaciones según la alternativa
de decisión. Si construyéramos un modelo mental/verbal que respondiera
estas preguntas con todas las duraciones posibles del comercial,
tendríamos un modelo mental/verbal muy extenso que sería difícil de
entender y no se podría experimentar. No obstante, los modelos
mentales/verbales pueden jugar un rol importante en el proceso de
decisión. Pueden usarse para verbalizar estrategias de decisión logradas
con modelos más sofisticados.

Modelos analíticos: Los modelos analíticos son modelos matemáticos,

destinados a hacer una cierta simplificación y abstracción de sistemas
reales, para poder obtener más información y para entender algún aspecto
de interés de la realidad. . Sin embargo, debiera conectarse la
modelización de la realidad por abstracción con problemas y dominios
reales, y practicarse mediante la verificación y/o la validación. Estos tipos
de modelos se aplican principalmente en los sistemas estáticos y/o
deterministas.

En comparación con los modelos mecánicos, los modelos matemáticos

facilitan la experimentación, porque todas las variables dependientes, las
variables independientes, las constantes y los parámetros están
explícitamente relacionados por el lenguaje de la matemática. El decisor
puede poner a prueba los efectos de las diferentes alternativas de decisión,
las constantes y los valores de los parámetros en las variables
dependientes con mucha más facilidad que con cualquier otro tipo de
modelo. Además, los modelos matemáticos pueden representar muchos
problemas complejos de modo eficiente y conciso y, en muchos casos,
pueden ser la manera más barata de analizar los problemas. Es por estas
razones que vamos a analizar los distintos modelos matemáticos y las
técnicas de solución que se usan con más frecuencia en la práctica.

Los procedimientos de solución pueden ser de pasada única o iterativos. El

procedimiento de solución de pasada única es aquél en el que los valores
finales de todas las variables de decisión se determinan simultáneamente,
de acuerdo con algún procedimiento bien definido. La técnica de solución
iterativa, por otra parte, es aquélla en que se requiere una serie de pasos
para arribar a una solución final y donde en cada paso se reciben
soluciones parciales o completas. Con frecuencia se necesitan variables
discretas o continuas para algún determinado problema. Finalmente, la
óptima es aquélla que puede demostrarse que es por lo menos tan buena
como cualquier otra, dadas las presunciones del modelo, mientras que la
solución satisfactoria es la que se considera "buena" con respecto a los
objetivos y las restricciones, pero que sin embargo no se puede demostrar
que es la mejor. De este modo, si en el ejemplo previo del modelo
normativo-estático-determinista, las variables de decisión son continuas,
las relaciones son lineales y se desea hallar la solución óptima, la lista de
técnicas de solución potenciales para el modelo se reduce a sólo una: la
programación lineal. Entonces, ahora pueden identificarse una o más
alternativas viables para la metodología de solución y puede comenzar la
formulación del modelo.

Modelos de simulación: El grado de abstracción que tienen los modelos

matemáticos es un impedimento definido para su aceptación por parte de
los gerentes. No es de sorprender que exista resistencia entre gerentes que
no han recibido suficiente capacitación o exposición a estos modelos, y
también entre gerentes que sí están capacitados pero que no tienen tiempo
para prestar la debida atención al modelo. Los modelos matemáticos usan
el lenguaje simbólico de la matemática que tiene sus propias limitaciones.
Los modelos análogos también son físicos; si bien están diseñados para
actuar como la realidad habitualmente no se le parecen. Los modelos
pueden ser demasiado complejos (como, por ejemplo, el de un aeropuerto
internacional) no pudiendo ser resueltos con eficiencia, y requiriendo
groseras simplificaciones del problema real para poder llegar a una buena
solución estratégica. En tales circunstancias, el problema que queda
"resuelto" ya no se asemeja al problema original y de implementarse la
solución podría resultar en efectos desastrosos en la organización. Una
selección apropiada del tipo de modelo y de la técnica de solución debiera
minimizar este tipo de error. Los modelos de simulación son las
duplicaciones computarizadas de los sistemas reales y, de lejos, son
mucho más realistas, en especial en la modelización de sistemas
dinámicos y/o probabilísticos, como el de un aeropuerto internacional.

Componentes del proceso estructurado de toma de decisiones

Como el modelo de un sistema es la re-presentación del sistema que

contiene los elementos que afectan el objetivo de la decisión es importante
identificar los elementos más importantes. El resultado deseado
generalmente determina las entradas controlables. Las entradas de un
sistema pueden clasificarse en entradas controlables e incontrolables,
como lo ilustra la figura que aparece a continuación. Los horizontes
temporales de la revisión de modelización deben seleccionarse lo
suficientemente cortos como para que las entradas incontrolables (o el
conocimiento probabilístico que se tiene de ellas) no cambien de manera
significativa. Al resultado por lo general se lo conoce como la medida de
desempeño del sistema. Como dice Tom Peters, experto internacional en
administración de empresas, " Si no se puede medir, no se puede
administrar". Cuando se mide el desempeño, el desempeño mejora.
Cuando el desempeño se mide y se informa, la mejora se acelera. La
siguiente figura muestra el abordaje del proceso estructurado de toma de
decisiones en la IO/CA. Recuerde que cuando las estructuras y los
sistemas están alineados, se facilita el empoderamiento. Cuando no lo
están, operan en su contra.

Los modelos de IO/CA apuntan a asistir al decisor en el proceso de toma

de decisiones.

En el proceso de modelización de la toma de decisiones investigamos el

efecto de la presentación de diferentes decisiones retrospectivamente
decir, "como si" la decisión ya se hubiera tomado según diferentes cursos
de acción. Es por eso que la secuencia de pasos en el proceso debe
considerarse en forma invertida. Por ejemplo, el resultado (que es el
resultado de nuestra acción) debe considerarse en primer lugar. ; esto es
'como si" la decisión ya hubiese sidotomada bajo un diferente curso do
accón. Como se indicó anteriormente en el diagrama de actividades, el
proceso de toma de decisiones posee los siguientes componentes:

1. Medida del desempeño: Brinda el nivel deseado de resultado

(objetivo de la decisión). El objetivo es importante para identificar
el problema. La tarea principal del decisor es la solución del
problema de "valores" entre diferentes objetivos, y la selección de
un único objetivo el que tiene el "mayor valor". Entonces, si es
necesario, todos los demás objetivos deben incluirse en el conjunto
de restricciones a satisfacer.
2. Entradas incontrolables: Provenientes del entorno del decisor. Las
entradas incontrolables por lo general crean el problema y
restringen las acciones.
3. Parámetros: Los parámetros son los elementos constantes que
cambian durante el horizonte temporal de la revisión de la
 decisión. Estos son los factores que definen parcialmente al
problema.
4. Entradas controlables: Las entradas controlables son el conjunto de
todos los cursos de acción posibles que usted podría tomar.
5. Interacciones entre estos componentes: Estas son funciones
matemáticas lógicas que representan las relaciones de causa y
efecto entre las entradas, los parámetros y el resultado. Existen
también grupos de restricciones que se aplican a cada uno de estos
componentes. Por lo tanto, no es necesario tratarlas en forma
separada.
6. Cursos de acción: La acción es la última decisión y es el mejor
curso de la estrategia para lograr la meta deseada. La toma de una
decisión implica seleccionar un curso de acción (medio) en pos del
objetivo (fin). La forma en que el curso de acción afecta el
resultado de una decisión depende de cómo se interrelacionan las
entradas y los parámetros del problema y, a su vez, cómo se
relacionan éstos con el resultado.

La funcionalidad es el tipo de relación más importante en las

interacciones del proceso de toma de decisiones. Cuando el
resultado de una decisión depende del curso de acción,
modificamos uno o más aspectos de la situación problemática con
la intención de lograr un cambio deseado en algún otro aspecto de
la misma. Lo logramos si conocemos la interacción entre los
componentes del problema.

"¡Oh, mente mía, concédeme la serenidad para saber cuál

entrada es controlable y cuál no, y para elegir la mejor del
primer tipo, y la capacidad para realizar análisis
probabilístico y estadístico para predecir y luego reaccionar
ante cualquier cambio del segundo tipo, y la sabiduría para
conocer la diferencia!"

7. Control del problema: Pocos problemas en la vida, una vez

resueltos, permanecen así. Las condiciones cambiantes tienden a
sacar a la luz problemas que anteriormente se habían resuelto, y
sus soluciones crean nuevos problemas. Estos nuevos problemas
deben identificarse y anticiparse.

Recuerde: Si no lo puede controlar, debe medirlo para poder predecirlo.

La modelización es el centro del proceso de toma de decisiones

El proceso estructurado de modelización es el centro de la actividad en
IO/CA. Es por eso que la pregunta principal es, "¿Se asemeja el modelo al
mundo real?". Sepa que el modelo no es la realidad, pero sí contiene partes
de ella. La pregunta es: "¿Contiene las partes importantes que son
relevantes para el problema de decisión?" La modelización y el
razonamiento son los deseos de entender la realidad. Un ejemplo
interesante es conectar la división de un círculo en 360 grados y de un año
en una determinada cantidad de días. Este deseo de tener un modelo
matemático del universo y sus dificultades de procesamiento es
manifiesto. Existieron ejemplos similares en la música, la arquitectura, etc.
Son modelos matemáticos para relacionar números enteros pequeños,
fáciles de representar y manejar, y fenómenos complejos cuyos parámetros
numéricos no cuadran exactamente en esquemas con enteros. Es
comprensible que el sistema de 360º y el esquema musical 6-8-9-12 hayan
sido el resultado de este conflicto. Estos ejemplos son modelos
matemáticamente adecuados y semánticamente justificados. Como dijo
Bill Gates, "Si usted no sirve para las matemáticas, entiende de negocios."

¿Qué es la matemática? Matemática es la ciencia de los órdenes de

patrones, y también el idioma de la ciencia. La matemática es el único
idioma que comparten todos los seres humanos independientemente de su
cultura, religión o sexo. Por medio de este idioma podemos explicar los
misterios del universo o los secretos del ADN. Podemos comprender las
fuerzas del movimiento planetario, o descubrir la cura de enfermedades
catastróficas. La matemática no es sólo para expertos en cálculo. Es para
todos nosotros. No se trata sólo de reflexionar sobre números imaginarios
ni de realizar ecuaciones complicadas. Se trata de tomar decisiones
estratégicas acertadas.

La matemática forma parte de la cultura humana porque no existe fuera de

la mente del hombre. El razonamiento y los cálculos simbólicos son
fundamentales para la modelización analítica (es decir, matemática). Por
lo tanto, como ocurre con cualquier idioma extranjero, se debe desarrollar
una comprensión de la matemática, que es el idioma de todas las ciencias,
incluido el proceso de modelización en IO/CA que apunta a asistir al
decisor.

Un modelo mental es la representación de sus pensamientos sobre la

realidad. Por lo tanto, es una exteriorización de la realidad, que a su vez
propone el engendramiento subjetivo de la realidad. Los modelos
matemáticos emplean símbolos y notaciones, incluidos los números. De
este modo, existen tres conceptos diferentes: la realidad, el modelo mental
y su representación. En todas sus formas, la modelización analítica es un
procedimiento que reconoce y verbaliza un problema y luego lo cuantifica
convirtiendo las palabras en expresiones matemáticas. La modelización es
un proceso estructurado de pensamiento focalizado y consecutivo que
ayuda a comprender los problemas de decisión.

En las escuelas secundarias de todo el mundo se utiliza la matemática para

traducir los problemas de palabra o de historia en representaciones
simbólicas (es decir, en modelos matemáticos). Una vez resueltos, los
resultados se vuelven a traducir al idioma original en el que se planteó el
problema.

La IO/CA es un abordaje sistemático para la solución de problemas, donde

el contexto del problema se considera tan importante como el problema
mismo. Recurre al trabajo en equipo para capitalizar el talento de los
especialistas en IO/CA en la evaluación, coordinación e incorporación de
conocimientos relevantes aportados por expertos en otras áreas, apuntando
a la solución de un determinado problema (también conocido como
abordaje de think-tank). Las dificultades de comunicación clara entre los
miembros del equipo en cualquier proyecto de IO/CA pueden aumentar de
acuerdo a la cantidad de personas que componen el equipo. El alcance de
gestión se refiere a la cantidad de empleados supervisados por una sola
persona. El término en sí no tiene nada que ver con un tamaño deseado
para dicho alcance. En otras palabras, si una persona supervisa a dos o a
cien empleados, el alcance de gestión es el término aplicado al número. En
un grupo de tres personas (un supervisor y dos empleados), pueden existir
las seis relaciones o interacciones posibles.

Mediante la aplicación de un abordaje científico, los gerentes también

pueden realizar predicciones exactas de lo que no tienen bajo control. El
proceso de modelización es un abordaje científico que utiliza escalas
mensurables y numéricas para traducir los fenómenos observados. Si
"Dios geometriza", como dijo Platón, el hombre por cierto artimetiza. El
mundo es cualitativo. No obstante, los hombres pueden comprender,
comparar y manipular únicamente números. La información cualitativa
puede caracterizarse y procesarse mediante la asignación de números. Así,
para cuantificar el mundo utilizamos algunas escalas mensurables y
numéricas. Podemos comprender el mundo encontrando relaciones y
utilizando la manipulación, la comparación, el cálculo, etc. Y luego
utilizamos la misma escala para adaptarlo nuevamente al mundo. Esta es
la esencia del "proceso estructurado de entendimiento humano". Como
dice Tom Peters, experto internacional en administración de empresas, "Si
no se puede medir, no se puede controlar".
La necesidad de un sistema de escala mensurable y numérica

El análisis cuantitativo tiende a expulsar el análisis cualitativo, aún en las

áreas de humanidades, como en la ciencia de la organización, la
sociometría y la psicometría. Se ha llegado incluso a desarrollar la "teoría
del grupo polivalente" para cuantificar los términos cualitativos que
usamos para expresar nuestros sentimientos. Sin embargo, es cuestionable
si el mundo interior de nuestra propia experiencia puede también
modelizarse analíticamente, como ocurre con el mundo exterior.

La modelización matemática pretende ser la creación humana más

original. Su originalidad reside en el hecho de que los modelos permiten
observar conexiones entre las cosas que, a no ser por medio de la razón
humana, resultan extremadamente poco obvias. Es así como las ideas,
ahora en las mentes de los modelizadores, están muy alejadas de cualquier
noción derivada inmediatamente de la percepción sensorial; a menos que
se trate de una percepción estimulada y guiada por un proceso de
modelización anterior.

Ventajas de la modelización en la solución de problemas: Formúlese

esta pregunta: "Un científico de administración en su trabajo, ¿espera que
le asignen los problemas o sale a buscarlos?" No genere problemas para
usted y para los demás. Espere a que le asignen el problema. El o los
dueños del problema y el consultor en ciencia de la administración son dos
partes distintas.
 Desafortunadamente, cuando uno termina y dispone de varias técnicas de
solución de problemas, puede sentirse tentado a utilizarlas e intentar
buscar cualquier tipo de problemas. (¿Se acuerda cuando era niño y por
primera vez tuvo un martillo en sus manos? ¿No sentía como que todas las
cosas parecían clavos?) Esto puede crear dificultades innecesarias para la
organización a la que se supone usted debe ayudar. Recuerde que: Primero
aparecen los problemas y luego las soluciones, ¡y no a la inversa!

Un científico en administración proporciona su ayuda y/o hechos al

decisor, para que éste pueda tomar una decisión mejor. El científico en
administración no debería intentar tomar las decisiones ni influir en ellas.
Es por eso que el científico y el decisor no deberían ser la misma persona.
El científico debe actuar entonces como una voz objetiva en la
interpretación de un problema gerencial de decisión, que por proximidad o
prejuicio no puede resolverse internamente.

Los modelos pueden clasificarse de acuerdo a sus características; por

ejemplo, sus tipos, evolución en el tiempo y disponibilidad de
información, como se observa en la siguiente figura.

Componentes del proceso de modelización analítica

___________________________________________________
__

Clasificación
del
conocimiento:
Conocimiento sobre objetos, eventos, procesos, relaciones
Tipos de Entender, interpretar, relacionar, seleccionar, recordar,
comprensión: comparar
Tipos de Relacionar, comparar, interpolar, extrapolar, generalizar,
análisis: especificar
Resultados de
las
Aceptar, rechazar, posible, irrelevante
evaluaciones
de modelos:
___________________________________________________
__

Sepa que la modelización analítica es más que un conjunto de conceptos y

habilidades que deben dominarse; incluye métodos de investigación y
razonamiento, y los medios de comunicación (es decir, hacer común lo
experimentado individualmente). El modelo matemático puede incluirse o
no dentro del informe, dependiendo del destinatario. El equipo de ciencia
de la administración debe redactar un informe que resulte comprensible a
todos los que lo lean.
La modelización analítica en el proceso de toma de decisiones

Una decisión es una elección razonada entre alternativas. La toma de

decisiones forma parte del tema más amplio de solución de problemas. Si
bien la ciencia de la administración puede utilizarse para construir un
modelo matemático, no sirve si la comunicación del resultado es
demasiado compleja para el decisor. Relacionado con la importancia de la
comunicación en la modelización en IO/CA, he descubierto que las
personas tienden a complicar las cuestiones más de lo necesario. El mayor
problema sucede con los informes escritos. Existe el "temor" generalizado
de parecer poco sofisticado- o aún más, poco inteligente-si uno escribe
directo y sencillo. El resultado final es un producto incomprensible para el
decisor. Para evitarlo, el análisis debería ser por etapas. Se deben superar
las barreras de comunicación. El modelo matemático puede incluirse o no
dentro del informe, dependiendo del destinatario. El equipo de científicos
de la administración debe redactar un informe que resulte comprensible
para todos los que lo lean.

Las decisiones merecen tomarse el tiempo necesario. El científico en

decisiones tiene que desear ver el desarrollo de la decisión, donde se
revelarán oportunidades para su estudio y evaluación. El procedimiento
general a seguir en el ciclo del proceso de decisión tiene los siguientes
pasos: describir el problema, recomendar una solución y controlar el
problema mediante la evaluación y actualización continuas de la solución
estratégica, haciendo frente a las condiciones cambiantes del negocio. No
hay duda de que siempre existe una realimentación entre estos tres pasos.

Los tres pasos de este proceso son similares al proceso estructurado que se
sigue para el tratamiento de una enfermedad. Cuando un paciente tiene un
problema de salud va al médico para solucionarlo. Para tal fin, el médico,
con la participación del paciente, describe el problema mediante un
análisis de sangre o de rayos X, diagnosticando la enfermedad. Luego, el
médico receta medicamentos (prescripción de medicación). Hay también
visitas de seguimiento para asegurarse de que la acción elegida es efectiva
en la curación del paciente; caso contrario, el médico cambia la
medicación. En esta analogía, el médico representa al científico de
administración y el paciente al decisor (el dueño de los problemas).

El proceso de modelización descriptiva utiliza técnicas de IO/CA para

describir cómo ven las personas sus mundos. Un buen modelo descriptivo
es el resultado de una buena observación y una buena representación
confianza en el modelo descriptivo, y por eso puede utilizarse para
propósitos prescriptivos.
Descripción del problema: Ni bien detecta un problema, analícelo y
entiéndalo, para luego poder describirlo correctamente por escrito.
Desarrolle un modelo matemático o marco para re-presentar la realidad,
con el fin de idear posibles soluciones. Debe validar el modelo antes de
ofrecer una solución. Sin duda, para ello necesitará poder manejar varias
perspectivas diferentes para acercarse a la realidad lo más posible.
Cuando se combinan diferentes modelos desde diferentes perspectivas, se
obtiene una comprensión mejor. Es por eso que el proceso de
modelización en IO/CA utiliza un abordaje en equipo, para capitalizar los
talentos de las personas para evaluar, coordinar e incorporar los
conocimientos que son relevantes para la solución de determinado
problema de decisión por parte de expertos en otras áreas (también
conocido como abordaje de think-tank). La descripción de todos los
componentes de un problema, en la ciencia del conocimiento también se
denomina ingeniería inversa.

También debe utilizar la navaja de Occam (Occam's Razor) en el proceso

de construcción del modelo, cuando se describe el problema de decisión.
Un buen modelo es tanto inclusivo (es decir, incluye lo perteneciente al
problema) como exclusivo (elimina -rasura- lo que no le pertenece).

Debe ser más concreto que abstracto. Identifique los factores que influyen
en su decisión, y averigüe qué tiene y qué no tiene bajo control. A menos
que el problema haya sido claramente formulado por el científico de
administración, y que el dueño del problema lo haya aceptado como el
"mismo", es probable que éste rechace la solución estratégica. En algunos
casos, la solución estratégica de un problema existente puede crear
problemas nuevos. El proceso de modelización en IO/CA no resolverá
ningún problema de decisión, ni está diseñado para ello. Su objetivo
principal es producir ideas y promover la creatividad para ayudar a los
decisores a tomar una decisión "acertada".

Lo más importante en la toma de decisiones es entender el problema. Un

excelente ejemplo es: "Nombre algún ex presidente de los Estados Unidos
que no esté enterrado en los Estados Unidos". Este es un excelente
ejemplo de la necesidad de entender la consigna antes de responder.
Recuerde que la formulación de un problema es generalmente más
importante que su solución. De hecho, si usted entiende el problema, por
lo general, el mismo problema le dirá cómo resolverlo.

Prescripción de una solución: Es la identificación de una solución

estratégica y su etapa de implementación. Busque una solución estratégica
utilizando las técnicas de solución por proceso de modelización en IO/CA.
Todo problema de decisión gerencial tiene varias soluciones. Lo que se
desea lograr es una solución estratégica satisfactoria, también llamada
"decisión acertada". No existe cosa tal como la solución para los
problemas del mundo real. No existe el tamaño que se adapte a todos. Las
soluciones dependen del presupuesto, del tiempo y de muchas otras
restricciones y condiciones. Una pregunta: ¿Una buena decisión siempre
da buenos resultados? ¿Por qué no? ¿Algún ejemplo?

Interpretaciones gerenciales: El problema de decisión con frecuencia lo

enuncia el decisor en términos no técnicos. Cuando usted analiza el
problema y descubre el módulo de software que debe utilizar, lo utilizará
para obtener la solución. La solución estratégica también debería
presentársele al decisor en el registro lingüístico que él pueda entender.
Por lo tanto, no le entregue sólo el impreso de computadora. Debe darle
además una interpretación gerencial de la solución estratégica, en términos
no técnicos.

Actividades de monitoreo posteriores a la prescripción: Estas

actividades comprenden la actualización de la solución estratégica para
controlar el problema. El diccionario nos dice que "administrar" significa
"controlar". Por otro lado, "todo cambia" excepto el hecho de que "todo
cambia". Todo fluye, nada permanece. En este mundo en permanente
cambio en el que nos toca vivir es crucial actualizar periódicamente las
soluciones de todos los problemas planteados. Aún un problema que es
válido ahora puede dejar de serlo por cambios en las condiciones,
transformándose así en una representación inexacta de la realidad,
afectando en forma negativa la capacidad del decisor de tomar decisiones
acertadas. Todo modelo que usted cree debería poder manejar los cambios.
A diferencia de los acertijos matemáticos (por ejemplo, la ecuación 2X - 6
= 0, donde sólo existe una única solución correcta), los problemas de la
vida real no tienen una única solución correcta. No pueden "resolverse una
vez y para siempre". Se debe aprender a vivir con su naturaleza dinámica,
es decir, a actualizar las soluciones. Por lo tanto, en este sentido, el
proceso de modelización en IO/CA para la solución de problemas no es
una ciencia exacta como la matemática, sino una donde las decisiones las
debe tomar finalmente el decisor.

"Todo cambia", a excepción de este hecho: que "todo cambia". Acéptelo.

Y prepárese para revisar el modelo según lo necesario. Significa actualizar
continuamente la solución prescrita. Esta etapa de la solución de
problemas se practica en las sociedades con economía libre, a diferencia
de las sociedades con economía programada, donde el modelo (es decir, el
programa) se toma más en serio que la realidad misma. El modelo está al
servicio de la realidad y no a la inversa.

La importancia de la realimentación y el control: Es necesario hacer

nuevamente énfasis en la importancia que tiene pensar en los aspectos de
realimentación y control en un problema de decisión. Sería un error en el
análisis del contexto del proceso de decisión en IO/CA ignorar el hecho de
que jamás encontraremos una solución inmutable al problema de decisión
de negocios. La misma naturaleza del medio donde se toma la decisión es
de cambio, y por lo tanto, la realimentación y el control son una parte
importante del contexto del proceso de modelización en IO/CA.

Validación del modelo: La validación es el proceso de comparación de la

salida del modelo con el comportamiento del fenómeno; es decir, compara
la ejecución del modelo con la realidad. Validar tiene que ver con la
siguiente pregunta: "¿Estamos construyendo el modelo correcto?" La
validación sólo puede demostrarse en relación con algún uso pretendido
del modelo. No hay duda de esto, ya que ningún modelo puede capturar
siempre perfectamente todos los detalles de un sistema real (ni tampoco
queremos que lo haga). De hecho, tradicionalmente tampoco querríamos
capturar todas las partes de la realidad en un modelo único (no
parsimonioso). Sólo se puede decidir qué tipo y grado de desviación entre
el modelo y la realidad es aceptable en relación con el marco al cual se lo
va a destinar.

Durante la validación, el científico en administración se pregunta: "¿Qué

tiene que ver este modelo con el mundo real?" Por último, como es más
fácil hacer planes que ejecutarlos, los modelos que no se van a
implementar no se elaboran correctamente ni se toman con seriedad desde
el comienzo. Aquí hay una pregunta para usted: "¿Por qué un pez pesa
más muerto que vivo?"

Un ejemplo excelente es la presentación que se hizo de la pregunta

anterior, "¿por qué un pez pesa más muerto que vivo?", ante los miembros
de la Royal Society. Provocó intentos de explicación extensos y en
ocasiones ingeniosos; pero desafortunadamente en ningún momento se
consideró el importante hecho de que era una afirmación falsa. En nuestra
prisa por deducir la solución, olvidamos analizar el problema mismo.
Debemos analizar cuidadosamente la información y su validez en el
momento en que la recibimos.

Verificación del modelo: La verificación es el proceso de comparación

entre el programa informático y el modelo para garantizar que el programa
sea la implementación correcta del modelo. Durante la verificación, se
controla la implementación informática del modelo.

Para aprender efectivamente sobre el proceso de toma de decisiones

estratégicas acertadas es muy útil contar con apoyo informático, que
asegura al usuario los procesos de Análisis de Sistemas, Diseño y Control
que necesita para tomar decisiones estratégicas acertadas, sin importar si
el usuario es un novato o un experto en la organización.
Proceso de validación de la modelización y consideraciones de costos

El paso de validación del modelo es el que recibe menos atención de los

desarrolladores novicios. En este paso, las presunciones y las lógicas en
las relaciones se prueban para ver si están conformes a la realidad. La
validación del modelo es un proceso de dos pasos. El primer paso consiste
en determinar si el modelo es internamente correcto en un sentido lógico.
Si bien las pruebas dependerán del tipo de modelo que se esté validando,
pueden formularse varias sugerencias.

1. Calcule algunos resultados con el modelo que puedan verificarse

por cálculos manuales cuando deben usarse computadoras para
resolver el modelo.
2. Ejecute segmentos separados de modelos complicados para poder
verificar los resultados.
3. Elimine los elementos aleatorios de modelos estocásticos para
facilitar la verificación de la lógica esencial.
4. Reemplace las funciones de probabilidad complejas por funciones
elementales para que los resultados puedan verificarse más
fácilmente.
5. Construya situaciones de prueba simples que prueben la mayor
cantidad de combinaciones de circunstancias en el modelo como
resulte factible.

El segundo paso en la fase de validación del modelo consiste en comparar

las salidas del modelo con los datos concretos de la situación real. Las
salidas del modelo pueden tener la forma de una serie temporal obtenida
por técnicas de análisis estadístico de datos, como la prueba 't-test'.

Cuando la salida son valores medios, varianzas, proporciones o

distribuciones de probabilidades pueden usarse varias pruebas estadísticas
para demostrar la hipótesis de que estos elementos de salida difieren
significativamente de los valores medios, varianzas, proporciones o
distribuciones de probabilidades de la realidad. Sin embargo, cuando el
modelo se construyó para un problema en el cual no hay datos pasados
con los que comparar, el desarrollador del modelo debe depender de una
verificación detallada y lógica y del estudio cuidadoso de los resultados
del modelo para verificar si hay discrepancias o circunstancias inusuales.
Esta forma de validar el modelo se usa, por ejemplo, cuando se está
validando un modelo normativo o cuando se construyó un modelo para
proponer una solución a un problema nunca antes enfrentado por el
decisor. Además de verificar la lógica y estudiar los resultados, existen
varias preguntas que podrían ayudar a evaluar la validez del modelo. Entre
estas preguntas tenemos: Cuántos teoremas o resultados previamente
conocidos se relacionan con el problema, qué grado de obviedad existe en
la interpretación del modelo, cuál es la sensibilidad del modelo ante
cambios en las presunciones que lo caracterizan.

Si el modelo contiene teoremas o resultados previamente conocidos, o si el

modelo apela mucho a lo intuitivo, entonces el desarrollador del modelo
puede confiar más en él. Sin embargo, un modelo cuyos resultados sean
muy sensibles a cambios en las presunciones debiera estudiarse más
profundamente, en lo que hace a la naturaleza de las presunciones que se
efectuaron en el paso de definición del problema.

Son varias las razones por las que un modelo podría fallar en el paso de
validación. A veces, el modelo es intratable o demasiado complejo de
trabajar y, por lo tanto, no puede ser verificado apropiadamente. Morris
nos da algunas sugerencias para simplificar modelos complejos.

1. Convierta algunas variables en constantes.

2. Elimine algunas variables por completo.
3. Use relaciones lineales en lugar de relaciones no lineales.
4. Añada presunciones y restricciones más fuertes.
5. Suprima el factor aleatorio.

Por supuesto, una vez obtenido, un modelo válido se pone en práctica

como elemento de ayuda a la toma de decisiones. Si bien esta tarea puede
sonar sencilla no es algo a dar por sentado. El desarrollador puede arribar
a un modelo que puede demostrar que permite ahorrar miles de dólares por
año, pero que no vale nada si la persona que debe usarlo no lo acepta. Esto
puede suceder porque el decisor no entiende el modelo o las técnicas
usadas para resolverlo o, como cree Churchman, el desarrollador del
modelo no entiende al gerente y la coalición a la que el gerente está
asociado. Por coalición quiere significar la persona, los libros, las
publicaciones y otros dispositivos de comunicación que se encuentran en
el entorno del gerente. Son las fuentes que el gerente consulta, la base del
lenguaje que utiliza, y las fuentes de los criterios que establecen qué le
resulta importante y qué no. Esto reafirma el concepto de que si el
desarrollador del modelo y el decisor no son la misma persona, al
desarrollador le convendría incluir al decisor en todos los pasos del
proceso de construcción. De esta manera, aumentan en gran medida las
posibilidades de que se implemente adecuadamente el modelo.

Consideraciones de costos:

La construcción del modelo puede resultar muy cara. Puede no ser

prudente gastar $500.000 para desarrollar un modelo que puede retornar
$50.000. La razón por la cual es tan caro construir estos modelos es que
pueden volverse muy complejos a medida que se agregan entradas y
restricciones. Lleva mucho tiempo identificar y correlacionar
correctamente estos elementos en un modelo matemático, y este modelo
debe ser una interpretación correcta de un sistema complejo.
Lamentablemente, esta complejidad alimenta una miríada de cosas que
pueden salir mal o malinterpretarse, lo que da como resultado que el
modelo en su totalidad no responda como una representación matemática
exacta de la realidad. Una hipótesis aún peor es que el modelo puede
responder con total falsedad. En este caso, los resultados pueden ser
desastrosos para el proceso de toma de decisiones y para la empresa
misma. La exactitud es lo más importante tanto en la definición del
problema como en la expresión matemática.

Las dificultades del proceso de modelización analítica

La mayoría de los problemas del mundo real no pueden formularse

adecuadamente como modelos matemáticos. Como los problemas del
mundo real son por lo general en gran escala, deben establecerse en forma
algebraica muy rígida para resolverlos por medio de algoritmos
computarizados. El creador del modelo debe analizar las características del
problema para formular y representarlo como un modelo analítico válido.
Casi todos los problemas del mundo real se caracterizan por presentar las
siguientes dificultades:

1. Muchas metas "confusas" conflictivas (objetivos).

2. Falta de especificidad en cuanto a cuáles son las decisiones
variables (y por lo tanto, variables sujetas a control) y las entradas
fijas (parámetros).
3. La incertidumbre en cuanto a los límites o restricciones de las
variables de decisión y sus funciones.
4. Falta de conocimiento de las relaciones de causa y efecto.
5. Elementos estocásticos (probabilidades).
6. El carácter dinámico subyacente que produce que las metas,
restricciones y relaciones de causa y efecto varíen en el tiempo.
7. Inaccesibilidad a los datos necesarios para especificar el problema.
8. Descripción cualitativa de algunos de los datos.
9. La posibilidad de consecuencias imprevistas resultantes de la
alteración de las condiciones existentes o la imposición de otras
nuevas.

Estas dificultades podrían superarse representando el problema de decisión

como un modelo analítico, utilizando una o varias de las diferentes
estrategias que se detallan a continuación:

1. La creación de una función única de desempeño (u objetivo).

2. La especificación de las variables del problema.
 3. La determinación de los límites exactos de las variables del
problema (o, en forma más general, de las funciones de las
variables del problema).
4. La determinación de las funciones; formas y parámetros que
describen la forma funcional.
5. La resolución de los elementos estocásticos (inciertos) mediante la
creación de una forma determinista o evaluaciones de
probabilidades.
6. La conciliación de la naturaleza dinámica del problema y la
conversión a un modelo estático, y la revisión periódica del
modelo.
7. La solución del problema de recopilación de datos.
8. La cuantificación de los datos.
9. La inclusión de todos los elementos importantes y consecuencias
imprevistas de cambios en las variables del problema.

Es extremadamente importante entender los conceptos y la filosofía de

esta parte antes de embarcarnos en el resto del sitio. Si queremos que los
modelos desempeñen un papel útil en la toma de decisiones de negocios,
debemos conocer qué podemos recibir de un modelo y del proceso de
construcción del modelo. Para comprender el significado de las técnicas
que se emplean en la toma de decisiones en IO/CA debemos tener una
idea del papel que juega el modelo y el proceso de su construcción.

Una de las claves del éxito en modelización es reconocer que un modelo

es una abstracción. Los modelos no se construyen para proporcionar la
única respuesta a un problema de decisión. Por el contrario, suministran
información útil para la toma de decisiones. El modelo no debiera tener
todas las complejidades de la realidad. Si las tuviera sería extremadamente
difícil de resolver y probablemente le daría pocas ideas, o información, al
decisor. A la inversa, el modelo no debe ser una excesiva simplificación
que se asemeje poco al mundo real. El buen modelo goza de equilibrio.

Todos los modelos, incluidos los verbales, los mentales y los matemáticos,
contienen variables independientes, variables dependientes, parámetros y
constantes. En los modelos verbales, estos elementos se reúnen en forma
libre y muchas veces intuitiva, permitiendo el entendimiento y facilitando
la comunicación. Cuando pasamos de los modelos verbales a los mentales
y matemáticos, las relaciones entre las variables y los parámetros se torna
más específica. El grado de especificidad necesario determina el tipo de
modelo que se usará en cada situación determinada.

Existen varios tipos bajo la clasificación de modelos matemáticos. La

clasificación de los modelos matemáticos como descriptivos o normativos,
estáticos o dinámicos, deterministas o estocásticos, no es taxonomía
ociosa. Como el modelo de decisión debe estar formulado de modo tal que
nos proporcione información útil para resolver expeditivamente el modelo,
es importante tanto para el decisor como para el desarrollador conocer
cuáles son los modelos existentes y sus características.

El proceso de construcción del modelo es un proceso iterativo. Nadie, ni

siquiera el desarrollador de modelos más experimentado, desarrolla un
modelo utilizable en una sola operación directa. En cambio, el proceso es
de formulación y validación tentativas, seguidas de instancias de
reformulación y revalidación, hasta que se alcanza un cierto grado de
confianza en la utilidad del modelo.

¿Por qué modelización analítica?

Intentamos "modelizar" la realidad para poder predecirla. Las

herramientas del proceso de modelización en la IO/CA aplicada nos
ayudan a comprender el problema de decisión que nos ocupa, a determinar
los resultados lógicos de la decisión y a elegir el curso de acción óptimo.
Gran parte de estas tareas se realizan por medio de la modelización. Un
modelo es una representación de una situación. Pueden estudiarse los
cambios del entorno y las variables que rodean el problema de decisión
para determinar sus efectos. La modelización es una especie de
simplificación de la realidad que tiene como fin promover el
entendimiento de la realidad. La información obtenida del modelo puede
aplicarse al problema de decisión del mundo real. Las tareas que debe
realizar el creador del modelo son:

1. Forzar al decisor a hacer explícitas sus presunciones.

2. Proporcionar un planteo bien definido del problema. Los procesos
lógicos utilizados en el proceso de modelización en IO/CA obligan
al gerente a aclarar y definir el problema que está considerando.
3. Brindarle la hoja de ruta, la brújula y las señales para llegar al
objetivo más importante de su empresa.
4. Brindar un marco de referencia para la solución de los problemas
centrales y relacionados. El proceso de modelización en IO/CA se
basa en modelos matemáticos del problema que pueden adaptarse a
futuros problemas de naturaleza similar.
5. Brindar respuestas a preguntas hipotéticas . En algunos casos, el
modelo es una descripción de algún sistema cuyo fin es predecir
qué sucede si se toman determinadas acciones.
6. Permitir la interpretación de los resultados y sus consecuencias
medidos en dólares (el único idioma que pueden comprender los
gerentes).
7. Obtener una evaluación científica objetiva que pueda ser
reproducida por terceros. Como es un abordaje científico basado en
 hechos (no en creencias u opiniones), los gerentes pueden
convencer a otros de alguna decisión en particular. Esto se
denomina denomina toma de decisiones defendibles. La gente de
negocios se maneja con hechos.
8. Resolver los conflictos de intereses entre los componentes de la
organización. El decisor podría incorporar algunas otras
perspectivas del problema, como pueden ser las culturales,
políticas, psicológicas, etc., en las recomendaciones del científico
de administración.
9. Ayudar al gerente (al decisor o a la persona que tiene el problema).
Brindarle una guía a los gerentes en la toma de decisiones. El
proceso de modelización en IO/CA permite a los gerentes
minimizar el riesgo asociado al resultado desconocido de una
decisión.

Lado Humano del Proceso de Diseño del Modelo

En las grandes organizaciones, un decisor es valioso sólo a medida que

reconoce la relación de su decisión con las de los demás decisores dentro
de la organización porque puede implicar más o menos o ninguna
diferencia dentro de la organización o puede ser reemplazado. Sin
embargo, en las pequeñas empresas, el decisor puede representar el éxito o
la ruina, o puede resultar muy difícil de reemplazar. A continuación, se
incluyen algunos aforismos prácticos y útiles a tener en cuenta cuando se
practica la ciencia de la administración aplicada.

1. Triunfar no es suficiente. Otros también deben fracasar.

2. No es necesario apagar la luz del otro para que la propia brille.
3. Componentes del juego: Jugadores, Valores Agregados, Reglas, Tácticas y
Alcance.
4. El producto de un jugador es un complemento del nuestro si los clientes valoran
más nuestro producto cuando tienen el producto del otro jugador que cuando
tienen sólo nuestro producto.
5. Un jugador es nuestro competidor si los clientes valoran menos nuestro producto
cuando tienen el producto del otro jugador que cuando tienen sólo nuestro
producto.
6. El producto de un jugador es un complemento del nuestro si para un proveedor es
más atractivo ser nuestro proveedor cuando también es proveedor del otro jugador
que cuando es sólo nuestro proveedor.
7. Un jugador es nuestro competidor si para un proveedor es menos atractivo ser
nuestro proveedor cuando también es proveedor del otro jugador que cuando es
sólo nuestro proveedor.
8. Si en lugar de pelear en vano, los libreros amenazados miraran a través del otro
extremo del telescopio, podrían ver que lo que ellos perciben como competencia
 de hecho podría ser un complemento. "Juntos podemos crear un apetito que
alimente a nuestro sector. Si todos nosotros, libreros, editoriales, distribuidores y
autores hacemos un buen trabajo en la venta, muchas más personas comprarán
más libros. Y si todos trabajamos en forma conjunta para alcanzar la meta,
nosotros y nuestros clientes (los lectores), estaremos tanto más felices."
9. Todo depende de las Cartas - Una Nueva Mano.
10. Cuando intento razonar con una persona, invierto un tercio de mi tiempo
pensando en mí mismo y en lo que voy a decir y dos tercios pensando en la otra
persona y en lo que va a decir.
11. La capacidad de ver la situación desde la perspectiva de la otra persona, por más
difícil que sea, es una de las habilidades más importantes que puede tener un
negociador. No es suficiente saber que los demás ven la situación de otra manera.
Si queremos influir en el otro, también necesitamos comprender de manera
empática el poder de su punto de vista y sentir la fuerza emocional con la cual
cree en él. No es suficiente estudiar al otro como si fuera un escarabajo bajo un
microscopio, es necesario saber qué se siente ser un escarabajo. Para lograrlo,
debemos ser capaces de evitar formar una opinión al "probar" el punto de vista del
otro. El otro puede creer que su punto de vista es el "correcto" con la misma
firmeza con la que nosotros creemos que nuestro "punto de vista" es el correcto.
Usted puede ver el vaso mitad lleno de agua fría y su esposo/a puede ver un vaso
sucio, mitad vacío que está por dejar una aureola en el mueble de caoba.
12. Un principio de la cultura occidental establece que no hay placer que no tenga un
precio, es decir que nada es gratis.
13. Págueme para jugar. Hay mejores maneras de invertir su tiempo.
14. Cuando usted gana el negocio, pierde dinero. Aquel que fue derrotado puede
tomar represalias.
15. Sus clientes existentes querrán un mejor negocio.
16. Los clientes nuevos utilizarán el precio bajo como un referente.
17. Los competidores también utilizarán el precio bajo como un referente.
18. No sirve darles a los competidores de sus clientes una mejor posición en cuanto a
los costos.
19. No destruya las casas de cristal de sus competidores. Sin embargo, aquellos que
viven en casas de cristal ¡realmente no deberían hacer nada!
20. Si usted no tiene un competidor realmente fuerte, debería inventar uno ya que la
competencia es una forma de vida.
21. Duerma con el cliente.
22. Cree un mercado cautivo.
23. Diga gracias con amabilidad, no con efectivo.
24. Reserve el mejor agradecimiento para sus mejores clientes.
25. Diga gracias de una manera que contribuya al crecimiento de su negocio.
26. No diga gracias ni demasiado rápido ni demasiado tarde.
27. Avise que usted va a decir gracias.
28. Reconozca que es posible que usted tenga que competir por la lealtad.
29. Permita que sus competidores también tengan clientes leales.
30. Recuerde decir gracias aun cuando usted maneje un monopolio.
31. Diga gracias tanto a sus proveedores como a sus clientes.
 32. La Cola del Pavo Real: las hembras siguen una regla sencilla: miran a todos los
machos y eligen el que tiene la cola más larga. Toda hembra que no siguiera esta
regla era castigada, aun cuando las colas crecían tanto que de hecho estorbaban a
los machos. Esto se debía a que las hembras que no producían machos de largas
colas tenían poca probabilidad de producir machos que fueran considerados
atractivos. Como una moda de indumentaria femenina o de diseño de automóviles
estadounidenses, la tendencia hacia las colas largas prendió y fue creciendo con
rapidez.
33. Se sugirió que las colas de las aves del paraíso o los pavos reales (que han sido
siempre paradójicas ya que parecen ser un impedimento para los que las poseen),
evolucionaron precisamente porque son impedimentos. Un macho con una cola
larga e incómoda les demuestra a las hembras que es un macho tan fuerte que
puede sobrevivir a pesar de su cola.
34. Aun cuando se demuestre que se equivocaron, los que desarrollan pronósticos
consideran que es importante mantener un consenso en retrospectiva. Por
ejemplo, los bancos sostienen como artículo de fe que la magnitud de la última
recesión (del Reino Unido) y del colapso del mercado de bienes no podría haberse
pronosticado. De lo contrario, los responsables de los excesos de préstamos de la
década del 80 cargarían con culpa grave en lugar de ser considerados víctimas
indefensas de los hechos. Con frecuencia es más importante equivocarse por las
razones correctas que no equivocarse.
35. Fijación de Precios Basada en el Valor: en nuestra búsqueda infructuosa de
ganancias, hemos complicado tanto la fijación de precios que nuestros clientes no
la entienden y piensan que no es justa. Al implementar un nuevo enfoque que
enfatiza la simplicidad, la equidad y el valor, esperamos recobrar la
predisposición de nuestros clientes. De eso se trata la Fijación de Precios Basada
en el Valor.

Otras Consideraciones Cualitativas

El científico de administración no es el decisor. El decisor debe incorporar

al modelo analítico del científico de administración otras perspectivas
necesarias tales como aspectos organizacionales, ambientales,
conflictivos, históricos, dinámicos y psicológicos del problema. Por
ejemplo, saber como eliminar cualquier barrera "invisible" (también
denominadas "Murallas Chinas") entre los distintos departamentos de una
organización.

Al describir la realidad, debe tener cuidado de de no intercalar sus propios

deseos. Por ejemplo, describir la naturaleza como si tuviera rasgos
humanos es un proceso de diseño de modelos denominado "falacia
patética". Se comprobó que hasta lo que nosotros podemos descubrir, la
naturaleza es indiferente a nuestros valores y sólo puede ser entendida
ignorando nuestras nociones de lo bueno y lo malo. El Universo puede
tener un objetivo, pero nada de lo que conocemos indica que dicho
objetivo tenga alguna similitud con los nuestros. La siguiente figura ilustra
las dos visiones extremas del universo esbozadas hasta ahora por las
religiones, la moralidad, la cultura y la metafísica.

La visión Pitagórica del universo era estudiar el universo como una

entidad externa. Esto dio origen a la tradición científica y analítica
occidental.. Sin embargo, la visión mística del mundo oriental, expresada
por ejemplo por el "I Ching",se basa en la actitud de que el hombre es
inseparable del mundo. La siguiente figura ilustra estas dos visiones
extremas del mundo:

Agotamos los recursos naturales de la naturaleza abusándonos de ellos.

Esta realidad nos debe recordar permanentemente que existe un lugar para
el hombre en algún punto intermedio de estas visiones extremas.

Como dijo Friedrich Nietzsche "Bajo esta capa de colores halagadores,

bajo esta capa de colorete, hay que reconocer y sacar a la luz el terrible
texto primitivo del homo natura, reintegrar al hombre a la naturaleza,
triunfar de numerosas interpretaciones vanas y vaporosas que han sido
garabateadas o embadurnadas en el texto primitivo eterno del homo
natura."

En el centro de toda la visión moderna del universo yace la ilusión de que

las denominadas leyes de la naturaleza son las interpretaciones de los
fenómenos naturales. Esto descarta la posibilidad de que exista un
"Legislador".

Afirmaciones generales tales como "Todos atravesarán algún tipo de

crisis, tal como una depresión, durante la madurez o en una etapa posterior
de su vida" puede no ser correcta. Los seres humanos no tienen una
naturaleza que descubrir pero sí tienen una historia. Fue necesario que los
seres humanos abandonaran todos los instintos para formar parte de la
sociedad, siguiendo sus normas y costumbres. Es imposible ignorar hasta
qué punto la civilización se construye sobre la renunciación del instinto.
No existe casi nada en los seres humanos que pueda llamarse instinto,
sentido común o algo similar

Con respecto al proceso de falacia patética, creo que sólo se puede esperar
que los seres humanos describan a la naturaleza "como si" tuviera rasgos
humanos. Como seres humanos, estamos limitados a ver al mundo desde
nuestra propia perspectiva basada en las experiencias, el conocimiento, el
idioma, etc. Cuando realmente no sabemos cómo describir algo que no
comprendemos totalmente (como por ejemplo la naturaleza), expresamos
una idea / un pensamiento en términos que nos resulten familiares. El
peligro radica en la interpretación de la palabra por parte del individuo.
Por ejemplo, la palabra "agresivo" puede tener una connotación negativa
(prepotente, dominante) o una connotación positiva (poderoso,
ambicioso). En segundo lugar, con respecto al sentido común, el instinto y
la intuición, no considero que se deba recurrir a la ciencia para intentar
explicar de qué manera las personas aplican estas "habilidades" para
comprender algo. Creo que estas "habilidades" definitivamente no son
científicas. ¿No se trata justamente de eso? Si bien no intentaré clasificar
ni definir estos conceptos, considero que existen a nivel emocional y por
ende no pueden explicarse a través de la ciencia.

La intuición es un modo de pensamiento rápido: la intuición no siempre

nos ayuda a descubrir la respuesta correcta, incluso si se trata de una
pregunta sencilla. Supóngase que usted llena dos cubeteras con agua, una
con agua hirviendo y la otra con agua fría y coloca ambas en el freezer. La
pregunta es: "¿Qué cubetera se va a congelar más rápido?" Si su respuesta
es " la cubetera con el agua hirviendo", acertó. Pero, ¿cómo es posible?
¿Cómo pudo usted resolver este desvío aparente de las leyes de la física?.

¿Por qué distintos gerentes toman distintas decisiones con respecto a un

determinado problema? ¿Por qué somos todos diferentes? Porque todos
tenemos distintas experiencias y antecedentes únicos. Cada experiencia de
la vida forma nuestra mente de una manera única. El conocimiento es un
fenómeno biológico. Cada ser humano experimenta el mundo a su manera.
A través de sus procesos internos, cada ser humano participa de una
relación creativa con el mundo externo, aportando miles de modelos
distintos.

La historia de la ciencia muestra de qué manera el sentido común, el

instinto y la intuición deficientes pueden tomarse como guía para nuestra
comprensión. Por ejemplo, la intuición es una lógica truncada y nunca
puede justificarse claramente mediante un fundamento científico.
El conflicto es parte de la vida: Las personas y las empresas sufren cuando
el conflicto es ignorado y no es manejado correctamente. Las relaciones se
tensionan, baja la productividad y la destrucción puede ser el resultado
final. Muchos de nosotros tenemos tal aversión al conflicto que
practicamos la contemporización a cualquier precio, mientras que otros se
aferran a abordajes de confrontación que pueden aumentar todos los costos
de la conciliación de diferencias. Estos comportamientos con frecuencia
representan un semillero de mayores conflictos y ocurren porque no
conocemos ni sabemos cómo utilizar de manera efectiva la gama de
posibilidades que existe para el manejo exitoso de los conflictos.

Comportamiento de los seres humanos con respecto a la toma de

decisiones: el comportamiento implícito en la toma de decisiones consiste
en comprender cómo las personas toman decisiones y cómo pueden hacer
para que el proceso de toma de decisiones sea más efectivo y eficiente.
Tales como ser conservador o no serlo. La ciencia del comportamiento se
aplica al proceso de toma de decisiones tanto desde el punto de vista
cuantitativo como cualitativo a fin de crear un fundamento más sólido para
tomar mejores decisiones. El estilo y las características del decisor se
pueden clasificar como: el pensador, el cowboy (repentino e
intransigente), Maquiavélico (el fin justifica los medios), el historiador
(como lo hicieron otros) el cauteloso (incluso nervioso), etc.

Toma de decisiones versus hábitos: la toma de decisiones implica arribar a

una conclusión, lo que a su vez implica deliberación y pensamiento y
sugiere un acto consciente. Mientras que una reacción natural o un acto
inconsciente se catalogaría como un acto reflexivo o impulsivo o como un
hábito, que desgraciadamente es el centro de gravedad cuando queremos
comenzar con el proceso de toma de decisiones.

Poder: es imposible comprender el comportamiento del decisor en una

situación organizacional donde existe conflicto sin considerar el rol del
poder. El poder tiene un impacto significativo sobre la información, la
incertidumbre y la dependencia de los recursos ya que hay competencia
entre los miembros de la organización por los recursos escasos.

Decisiones maliciosas o no éticas: se debe tener en cuenta la gran

diferencia que existe entre las decisiones no éticas y las maliciosas. El
CEO de una compañía de neumáticos de prestigio internacional aprueba la
producción de neumáticos sabiendo que éstos pueden desintegrarse en
determinadas condiciones. Aun conociendo esta circunstancia, el CEO
enfatiza que esta información no debe hacerse pública y aprueba la
producción y venta de los neumáticos. Decida si dicha decisión es
maliciosa o no ética.
¿Cuál es su opinión con respecto a esta situación? Un administrador en un
país fascista sigue las órdenes de su superior y aprueba la muerte de miles
de hombres, mujeres y niños inocentes pero nunca mata personalmente a
ninguna de estas personas ni tampoco lo haría.

Resistencia a las decisiones: la dificultad más común surge del miedo que
siente el hombre al cambio previsto. Las personas se resisten al cambio,
más precisamente, se resisten al cambio impuesto por otras personas. La
resistencia puede adoptar la forma de hostilidad manifiesta o sabotaje
encubierto de los esfuerzos de los decisores. Aun la estrategia mejor
diseñada siempre fracasa si los que deben implementarla se rehusan a
hacerlo.

No considere al "modelo" como la "realidad": Los modelos son útiles pero

por supuesto que todos ellos vienen con su cuota de simplificación y
teorización de la realidad. Sin embargo, el precio de no crear un modelo es
la ofuscación eterna. Un modelo puede ser tan bueno como una "realidad
virtual" pero nunca es la "realidad real". Desgraciadamente, en muchos
casos, el modelo pasa a ser un fin en lugar de un medio. El que construye
el modelo invierte tanto tiempo en la creación del modelo que se enamora
del mismo: el modelo se convierte en la realidad. No considere al
"modelo" como la "realidad". Lamentablemente, muchos cometen este
error.

Efectivas de comunicación: El científico de administración debe saber que

su éxito depende de capacidades efectivas de comunicación (es decir,
hacer común lo que se experimenta en forma individual). Es necesario
concentrarse en comunicar los resultados y el plan de acción recomendado
por el creador del modelo. Esto contribuye a lograr un consenso en cuanto
al plan de acción aceptable. Por último, recuerde que en muchos casos
históricos, los seres humanos inventaron algunos modelos de realidad para
descartar la realidad en sí misma. Por ejemplo, en algunos modelos
religiosos se crea otro mundo después de la muerte para descartar este
mundo.

Consideraciones cualitativas tales como reorganización y reajustes son

importantes como factores cuantitativos en el proceso de toma de
decisiones estratégicas efectivas.

Una Guía para Implementar el Proceso de Diseño del Modelo de

IO/CA

Paso 1: Vaya a ver a su cliente. Averigüe:

 1. ¿Cuál cree su cliente que es el problema, es decir, qué tipo de
sistema está involucrado? ¿Qué es lo que está haciendo el sistema
que es indeseable?
2. ¿Por qué es indeseable?
3. ¿Qué decisión/decisiones le gustaría tomar al cliente?
4. ¿De qué manera afecta el problema la función del cliente y su
sistema en la empresa?
5. ¿Qué quiere el cliente que usted haga?

Paso 2: Verifique el sistema en cuestión. Averigüe:

1. ¿Cómo funciona / se comporta?

2. Si la queja con respecto al comportamiento es tal como se indica
3. ¿Cómo ven el problema las personas del sistema?

Paso 3: Estudie la posición del cliente y su sistema en relación con el resto

de la empresa / organización. Averigüe:

1. ¿Cuáles son las relaciones de interacción entre los componentes

del sistema?
2. ¿Qué criterios implican estas relaciones para la evaluación del
rendimiento del cliente y su sistema?
3. ¿De qué manera puede el proyecto afectar sus relaciones en la
organización?

Paso 4: Revise los resultados obtenidos hasta ahora y decida lo siguiente

por el momento:

1. Si usted puede aceptar la descripción del cliente acerca del

comportamiento del sistema.
2. Si usted puede aceptar los criterios del cliente para juzgar el
comportamiento del sistema.
3. Si usted entiende lo suficiente acerca del funcionamiento del
sistema como para identificar y considerar los efectos de posibles
cambios.
4. Lo que usted considera que el cliente necesita de usted.
5. Porqué usted no puede satisfacer la necesidad del cliente en forma
inmediata.
6. Si usted hizo lo posible para ayudar al cliente.

Paso 5: Planifique otras actividades / investigaciones futuras destinadas a

mejorar sus respuestas al Paso 4 de acuerdo con la revisión realizada.

Paso 6: Informe y converse con su cliente las ideas actuales y llegue a un

acuerdo conjunto acerca de los planes existentes para un estudio más
exhaustivo.
Paso 7: Realice las investigaciones previstas y vuelva al Paso 6.

Por último, presentamos una lista de algunas de las características de los

"buenos" decisores:

1. Alta tolerancia a la ambigüedad.

2. Poseen un sentido de las prioridades bien ordenado.
3. Capacidad para escuchar a los demás.
4. Siempre generan el consenso alrededor de una decisión.
5. Evitan los estereotipos.
6. Son flexibles en cuanto al feedback.
7. Se sienten cómodos tanto con datos "blandos" como con datos
"duros".
8. Son realistas acerca de los costos y las dificultades.
9. Evitan un campo minado de decisiones.

Las Brechas entre el Diseño y la Implementación del Modelo

En los últimos años, ha habido un creciente interés por la importancia de

muchos aspectos del proceso de diseño de modelos de IO/CA. El
paradigma predominante utilizado es el de la ciencia orientada a la
explicación y la predicción. Sin embargo, los científicos de administración
a menudo utilizan métodos cada vez más sofisticados y por lo tanto más
difíciles para que el decisor pueda relacionar el problema que está
atravesando.

Desafortunadamente, existen brechas entre la teoría y la aplicación de los

modelos para la toma de decisiones. Esta afirmación se realiza, sin duda,
desde la perspectiva del creador del modelo que reconoce la brecha y no
desde la perspectiva de los decisores. No todos los gerentes son
conscientes de los conceptos del diseño del modelo para la toma de
decisiones o de la práctica del diseño del modelo para las decisiones.

La gran cantidad de trabajos publicados acerca del diseño de modelos

constituye una prueba de la existencia de dicha brecha. Muy pocos
abordan las situaciones reales y mucho menor es la cantidad de trabajos
que presentan soluciones validadas para problemas reconocidos.

Motivo de las Brechas:

Existe una serie de factores que contribuyen a la existencia e incluso al

crecimiento de la brecha, entre otros:
 1. Los problemas reales son difíciles de definir y por lo general
resulta complicado realizar un análisis o crear un modelo de los
mismos.
2. Como es más fácil desarrollar planes que llevarlos acabo, los
modelos que no se van a implementar no se confeccionan
correctamente ni se toman en serio desde el comienzo.
3. Con frecuencia los datos están dispersos, son incompletos e
inexactos. Algunas empresas se conforman con resultados
aproximados a fin de ahorrar costos y obtener resultados más
rápido. Los resultados aproximados utilizan menos datos y más
hipótesis. Este abordaje lleva menos tiempo de recopilación y por
ende implica un ahorro de dinero.
4. Se requiere una estrecha colaboración entre el creador del modelo
y el dueño del problema. Por lo general no hay colaboración
porque la organización no ve un beneficio directo y muchas veces
inmediato. La organización tampoco confía en la capacidad de
cumplir sin causar algún daño. La experiencia de otros casos es útil
para establecer la confianza y la predisposición a cooperar.
5. Existe una necesidad de influir en la cultura y la actitud hacia el
diseño de modelos dentro de la comunidad de negocios y esto
requiere gerentes más capaces y mejor capacitados. Muchas
empresas realizan una inversión considerable en una promoción de
marketing y una pequeña inversión en el estudio de su efectividad.
6. Los gerentes no están bien capacitados en los conceptos y/o el uso
de los modelos analíticos.
7. Los creadores de modelos deben abordan los problemas que el
gerente considera importantes desde una perspectiva de ahorro de
costos.

¡Diez Leyes Naturales! (por Bob Bedow, DELEX Systems, Inc.):

1. Ignore el problema y vaya directamente a la solución ya que allí es

donde radica el beneficio.
2. No existen problemas pequeños, sólo presupuestos pequeños.
3. Los nombres son variables de control.
4. La claridad de la presentación tiene como resultado una crítica
acertada.
5. La invención de la rueda siempre nos conduce directamente a un
contrato de costos más un porcentaje.
6. Los resultados indeseables provienen sólo de los análisis
deficientes.
7. Es preferible extender un error que admitirlo.
8. El progreso es una función del sistema de referencia adoptado.
9. Las soluciones rigurosas a supuestos problemas son más fáciles de
vender que las supuestas soluciones a problemas rigurosos.
10. En caso de desesperación, abordar los problemas.
 MODELIZACIÓN
2.1.- MODELOS: CLASIFICACIÓN
En numerosas ciencias, entre ellas la Economía, se hace necesario el estudio y
análisis de fenómenos del mundo real, y por ello se hace necesaria la aplicación
del método científico a este estudio. Como acabamos de ver con anterioridad
una de las fases de la aplicación del método científico se basa en la
construcción de modelos o formulación de hipótesis. En nuestro caso nos
centraremos en la construcción de modelos.
Aunque hay numerosas acepciones y definiciones de un modelo, hemos elegido
la de Aracil (1):
“ Un modelo constituye una representación abstracta de un cierto aspecto de la
realidad, y tiene una estructura que esta 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
(iconico, analógicos, simbólicos, etc.), sin embargo, solo estamos interesados en
los modelos matemáticos, es decir, los modelos formales basados en la lógica
matemática, y se basan en un conjunto de relaciones matemáticas (tales como
ecuaciones, inecuaciones, relaciones lógicas, etc.) que se corresponden
con las relaciones del mundo real (tales como relaciones tecnológicas, leyes
físicas, restricciones del mercado, etc.). La importancia de la construcción de los
modelos matemáticos en la Economía es evidente, no obstante vamos a
enumerar algunas de ellas (2):
1.)  La construcción 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
fenómeno que se intenta representar.
2.)  Una vez construido el modelo matemático, es posible extraer de él
propiedades y características de las relaciones entre los elementos que de otra
forma permanecerían ocultas. También, es posible representar situaciones
complejas que no son admisibles en otro tipo de modelos, y no
sólo es esa posibilidad de modelización, sino también la de resolución del
mismo, aunque no sea una solución analítica sino numérica (realizada por un
ordenador).
3.)  En la mayoría de las situaciones económicas del mundo real, no es factible
experimentar con la realidad, ya que puede ser prohibitivamente caro, peligroso
ó hasta, imposible. Por ejemplo, si se intenta conocer el impacto de la puesta en
practica de una determinada acción de Política Económica en un determinado
país.
En este caso para evaluar las consecuencias se construye un modelo donde se
puedan analizar los resultados en diversas situaciones con un coste
prácticamente nulo y sin riesgos sociales ni económicos.
Es importante resaltar que un modelo esta 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 modelización, sobre el
uso de los modelos en la economía hay posturas diferentes, por una parte están
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 o la utilidad social. Otros niegan su utilidad
basándose en el grado de precisión de los datos a incorporar al modelo
matemático. Pero frente a estos, en el otro extremo están los fervientes
defensores de la modelización total para la toma de decisiones, en este caso
convendría resaltar que la calidad de las respuestas que produce el modelo,
depende obviamente, de la seguridad de su estructura y de los datos a él
incorporados, y que una excesiva confianza en ellos es peligroso.
No vamos a entrar en esta polémica, sino que lo único que queremos es poner
de manifiesto que los modelos deben usarse como una herramienta más para la
toma de decisiones y que deben valorarse en su justa medida, ya que
difícilmente es comprensible un problema complejo sin una mínima
modelización, aunque también 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 representación(iconico, analógicos, simbólicos), no obstante podemos
establecer otros tipos de clasificaciones delos modelos matemáticos:
Clasificados según su función:
Modelos predictivos: Este tipo de modelos nos informan del comportamiento
de la  variable en un futuro, es decir, lo que debería ser. A este tipo de modelos
corresponden aquellos basados en técnicas estadísticas y/o econométricas, es
decir, modelos de previsión.
Modelos evaluativos: Una técnica evaluativa corresponde a medir las
diferentes alternativas, y así poder comparar los resultados de ellas. Este tipo de
modelos se corresponden con los denominados arboles de decisión.
Modelos de optimización: 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 métodos son los que están basados en las
técnicas de programación matemática.
Otra clasificación de los modelos se basa en la realidad que pretender modelar,
así podemos hablar de :
Modelos deterministas versus modelos estocásticos. En los modelos
deterministas todos los datos del problema se conocen con absoluta certeza,
mientras que cuando esto no es así tenemos los modelos estocasticos. Por lo
general los modelos más realistas son los modelos estocasticos, pero tienen la
dificultad de poderlos resolver adecuadamente, y muchas de las técnicas
aplicables a los modelos estocasticos tratan de reducir el problema a su versión
determinista para poderlo resolver.
Modelos estáticos versus modelos dinámicos. En un modelo estático la
variable tiempo no desempeña un papel relevante, mientras que en los modelos
dinámicos la variable fundamental, y de la que dependen las restante variables
relevantes. Además, 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 solución, ya que el objetivo de plantear
el modelo es el poderlo resolver y extraer de la solución los resultados
necesarios para la toma de decisiones. El nivel de resolubilidad de
los problemas es función de tres características fundamentales:
a)  El tamaño del problema: El numero de variables y ecuaciones que contiene.
Cuanto mayor sea este numero, más difícil de resolver es.
b)  La clase del problema: Lineal, Entero y No lineal, y además por ese orden,
es decir, los problemas lineales son "fácilmente" resolubles, mientras que los no
lineales son "intrínsecamente" difíciles 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).
2.2.- FASES DEL PROCESO DE MODELIZACIÓN
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 Conceptualización. Llegar a tener un profundo conocimiento de la
realidad que se trata de modelar, es decir, ser capaces de representar
conceptualmente el problema sin ningún tipo de contradicciones lógicas ni de
errores de análisis.
2.- Fase de Formalización. Establecer de forma clara y correcta (desde el
punto de vista matemático) las relaciones entre los elementos, de tal forma que,
además, sea fácilmente entendible y que puedan detectar rápidamente los
errores. El éxito de esta fase depende, obviamente, de que se haya establecido
correctamente la fase anterior.
3.- Fase de Evaluación . En esta fase, además de establecer la forma en la que
debe ser el procedimiento de resolución a emplear, será posible interpretarlo
correctamente.
Para la aplicación practica para modelar un problema de optimización podemos
seguir los siguientes reglas basadas en la experiencia:
a) Análisis del problema. Buscar o intuir los deseos del decisor ( a veces no es
la misma persona)de forma que se establezca claramente cual es el objetivo
que se persigue, que limitaciones existen, etc. Todo ello debe tenerse en cuenta
aunque no este formalizado, sino simplemente una relación de las diferentes
condiciones .
b) Definición de las variables, es decir, identificar las posibles decisiones. Esta
es una de las fases criticas de la modelización, por ello es conveniente prestar
mucha atención a esta definición.
Esta fase hay que identificar (e interpretar el significado ) y denominar a las
variables. Este segundo aspecto, aunque puede parecer trivial es también de
gran importancia. Hay que denominar a las variables de forma que sean
fácilmente reconocibles, es decir, que nos indique que quieren representar.
Muchas veces, se denominan a las variables, por sencillez, x1 , x2 ,
xb , etc., pero estos nombre no nos informan de forma inmediata de su
significado, por ello es conveniente denominarlas de forma más coherentes, por
ejemplo, si queremos identificar la cantidad de madera necesaria para producir
mesas la podríamos denominar MADMESA en lugarde x2. La elección del
nombre debe ajustarse a las características del decisor, y también a la
longitud de caracteres admisibles por los programas de ordenador que
resuelven estos problemas, por lo general seria admisible un nombre de hasta
ocho caracteres. A la hora de identificar las variables tenemos que tomar en
consideración si las variables son deterministas o estocasticas,
si son endogenas o exógenas, etc., es decir, ante que clase de variables vamos
a tratar en el problema.
c)  Identificación y formalización de las restricciones. Esta es también una fase
importante, posteriormente realizaremos algunos comentarios sobre esta fase al
hablar de los problemas no lineales. Se trata en definitiva de identificar cuales
son las limitaciones a las que esta sujeto el problema, y el plantearlas
matemáticamente. 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 fácil interpretar los resultados obtenidos.
d) Por ultimo, hay que identificar la función objetivo, es decir, la cuantificación de
los resultados que se desean alcanzar. Aunque no en todos los problemas es
inmediato definir el objetivo, siempre es posible encontrar una función 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 derivación de las reglas del sentido común
aplicadas a la construcción de los modelos.
En primer lugar, abordaremos algunos aspectos importantes sobre los modelos
lineales, lo más usuales en el campo económico, para posteriormente ir
aumentando la complejidad vía los modelos discretos y los modelos no lineales.
No obstante, estos principios generales se concretaran para el caso más
general de los problemas no lineales.
2.3.- REGLAS BÁSICAS DE MODELIZACIÓN
De curso anterior ya tenemos una serie de ideas básicas sobre los modelos,
aunque ahora nos interesa profundizar en algunos aspectos que se trataron de
una forma superficial. Los modelos lineales son aquellos en los que tanto la
función objetivo como las restricciones son funciones lineales y por tanto son
susceptibles de resolverse a través de la programación lineal. Estos
modelos, son los más conocidos y los más usados en las aplicaciones
económicas, y por tanto no vamos a extendernos mucho sobre este aspecto,
sino simplemente resaltaremos las hipótesis básicas sobre las que se asientan
este tipo de modelos.
La primera hipótesis es la divisibilidad, es decir, todas las variables del modelo
pueden tomar cualquier valor real.
A efectos prácticos, si una variable no es infinitamente divisible, pero su nivel de
actividad normal es muy grande en términos de sus unidades de medida, la
suposición de divisibilidad puede servir como aproximación conveniente.
La segunda hipótesis es la de linealidad, estos significa:
a) Proporcionalidad en las contribuciones. La contribución 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 contribución total de todas las variables
es igual a la suma de las contribuciones individuales independientemente de los
valores de las variables.
La tercera hipótesis, aplicable fundamentalmente a los problemas económicos,
es la no negatividad de las variables del problema. Esta hipótesis, no es en si
absolutamente necesaria, ya que para problemas más 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 ir eliminando algunas de esta hipótesis básicas de los modelos lineales
aparecen los casos más generales, por una parte los modelos discretos o
enteros que surgen al suprimir la hipótesis de divisibilidad, y por otra parte los
modelos no lineales, los cuales tienen su origen al relajar la condición de
linealidad de las relaciones.
Los modelos enteros, como hemos dicho anteriormente, surgen al eliminar la 
hipótesis primera de los modelos lineales, es decir, al exigir que las variables
tomen solo valores enteros. En este caso aparece la denominada programación
discreta o entera, y en el caso de mantener la hipótesis de linealidad, tenemos
su representación más característica 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 hará hincapié
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 (3)  y modelos no lineales (4)
1.- Formular, primero, un modelo sencillo e ir agregándole características en
consonancia con la dirección de optimización deseada.
Un modelo a optimizar debe ser desarrollado buscando un equilibrio razonable
entre la seguridad en el modelo (lo que usualmente implica añadir complejidad a
la formulación) y la facilidad de optimización. Esto puede conseguirse utilizando
un procedimiento de optimización sobre versiones cada vez más 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 introducción de mayor
complejidad puedan ser de alguna forma "visualizados", y poder así descubrir
mucho antes las dificultades importantes que si el modelo se plantea de forma
directa en su versión más completa. Este procedimiento iterativo
de la construcción 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 cálculos.
En el caso particular de los modelos enteros, antes de decidir la construcción de
un modelo entero, debe hacerse una estimación del tamaño potencial, ya que si
el numero 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 resolución crece de forma exponencial con relación al numero de
restricciones, pero especialmente con relación al numero de variables enteras
que contenga el modelo).Véase a este respecto, el anexo de este capitulo.
También en los problemas enteros, si el modelo construido resulta demasiado
difícil de resolver por los métodos generales de programación entera, es posible
a veces recurrir a los denominados métodos heurísticos 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 algún
procedimiento iterativo
(como la solución de una ecuación diferencial o la resolución 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 optimización. La solución de estos subproblemas (aunque sea
posible definirla con una precisión total) requiere un considerable esfuerzo
computacional, y esto puede considerarse como un despilfarro, dado que la
integral, la ecuación diferencial, etc., solo es una aproximación de algún
fenómeno social más complicado.
Por ello, una estrategia a seguir en este caso consiste en discretizar el problema
antes de aplicar el procedimiento de optimización, ya que las soluciones exactas
de los problemas continuos se encuentran por refinamientos en la discretización
entre las optimizaciones. Como pone de manifiesto esta estrategia se ve,
nuevamente, lo valioso de intercalar modelización y optimización, puesto que la
obtención de un grado creciente de exactitud es simplemente un proceso de
modelización.
3.- Tomar con precaución 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 métodos de optimización que debemos usar. A la hora de construir un
modelo debemos separar las restricciones lineales, no lineales y de acotación,
no solo para poder analizar mejor el modelo, sino también para servirnos
de orientación acerca del software que debemos usar en cada caso concreto.
Debemos, evitar la transformación de un tipo de restricciones en otro. La
transformación de un problema de una forma a otra era en el pasado, a veces,
inevitable cuando los algoritmos para la optimización no restringida eran más
numerosos y más efectivos que los algoritmos de optimización restringida.
Era una practica común, por ejemplo, en el caso de las restricciones de
acotación es el transformarlas mediante un cambio de variable. No obstante,
hoy por hoy, esta practica no es aconsejable y es más bien perjudicial, ya que
los algoritmos para problemas con solamente restricciones de acotación simple
o de cota generalizada son más eficientes que los algoritmos para problemas no
restringidos. Y además, en la actualidad se tiende a incorporar restricciones
de acotación 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 podría usarse la programación 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, seria posible
transformarlo, y en este caso siempre podría 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 más
bien de poner de manifiesto una practica que también era habitual antaño.
El procedimiento era el siguiente: las variables se dividían en dos conjuntos, las
variables "independientes" y las variables "dependientes", de tal modo que la
optimización se realizaba únicamente con las variables independientes y las
variables dependientes se determinaban al "resolver" las restricciones de
igualdad, es decir encontrando la solución a ese sistema de ecuaciones no
lineales formado por las variables dependientes una vez hallados los valores de
las otras variables. Esta practica, que como hemos dicho era habitual antaño
debido a las deficiencias del software, en la actualidad es de todo punto inviable
no solo por lo erróneo del procedimiento sino también porque el esfuerzo
computacional que requiere no compensa la realización de la optimización
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 esta permitido que puedan violarse, si con ello se
consigue una mejora sustancial, tanto en el modelo como en el procedimiento
de optimización. Por ejemplo, en un modelo de planificación de la producción la
disponibilidad de espacio de la planta seria una restricción del tipo "hard", es
decir que no puede violarse, mientras que las disponibilidades de mano de obra
no especializada seria una restricción "soft", restricción que podría violarse
contratando a nuevos trabajadores a corto plazo.
En general, las restricciones "soft" suponen un coste por la violación, por tanto,
se trata de evaluar el coste de esa violación en términos de mejora de la
función, y por ello, también se introducen variables de desviación para poder
evaluar este impacto. Una consideración sobre la introducción de estas
variables la podremos ver en el capitulo dedicado a la optimización con objetivos
múltiples.
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 pequeñas variaciones en los
datos del modelo se produzca una distorsión muy grande en los resultados
esperados del modelo. Recuérdese que los puntos factibles del modelo se
obtienen de la intersección de todas las restricciones, cuando dos restricciones
son casi dependientes se convierten en casi paralelas, con lo que ello significa
de alteración de las posibles soluciones, para ilustrar este caso consideremos el
siguiente pequeño ejemplo, de un sistema lineal de dos ecuaciones con dos
incógnitas:
Sea el sistema:
                                            x +           y = 2
                                            x + 1,0001 y = 2
este sistema tiene como solución : x = 2 e y = 0.
Pero consideremos ahora una pequeña variación en el termino independiente de
la segunda restricción, 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 solución: 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 razón está en que el determinante de la matiz esta muy próximo al valor cero,
es decir, es una matriz casi-singular.
7.- Usar toda la información 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 "pequeño" en el modelo, es decir, de lo
importante o no que puede resultar una variable o una restricción en el
conjunto del modelo.
Es importante resaltar la trascendencia respecto de la correcta resolución del
modelo, el que tanto las variables como las restricciones estén 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 numero significativo de dígitos (por
ejemplo, la variable representa varios miles de millones de pesetas) en este
caso seria conveniente que en lugar de expresar la variable en bolívares se
expresase en millones de bolívares, con ello se evita la perdida de significación
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 (6), 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 análisis, como cero si es
inferior a la condición de tolerancia de factibilidad definida, y por ello seria
conveniente amplificar su valor tomando el significado de la variable como
millonésimas partes. El obviar estas consideraciones puede repercutir
negativamente en la exactitud de la solución.
Hay que notar que estas transformaciones tendrán un efecto posterior sobre
otras magnitudes del la solución , por ello hay que tener la precaución de una
vez resuelto el problema interpretar correctamente los resultados y las posibles
implicaciones.
Un ejemplo de este tipo de escalamiento, así como su correcta interpretación lo
analizaremos con posterioridad al ver algunas aplicaciones de la programación
lineal.
8.- Verificar cuidadosamente todos los datos introducidos en el problema.
La introducción de datos es la fuente de la mayoría de los errores que se
producen en la resolución de los problemas, por ello habrá 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 más difícil detección y con ello la
generación de soluciones no adecuadas al fin perseguido es muy común.
En el caso de los problemas no lineales, tendremos que añadir una serie de
reglas adicionales a las expuestas con anterioridad.
1.- Intentar modelizar con funciones que sean diferenciables
Posiblemente, la propiedad más importante de las funciones en los modelos con
respecto a la facilidad de optimización sea la diferenciabilidad, esto es
importante ya que la mayoría de los algoritmos están basados sobre el uso de la
información disponible en un punto para deducir su comportamiento en otros
puntos.
Si las funciones del modelo son de clase C (2), la capacidad de un algoritmo
para localizar las soluciones óptimas se ve muy favorecida en comparación con
los modelos similares, donde las funciones son no diferenciables. Otra de las
ventajas de modelar funciones diferenciables, esta relacionada con la
convergencia propia de cada algoritmo, así como con la precisión tanto de la
función como de la precisión relativa de las maquinas sobre las que se va a
resolver el problema.
2.- Tratar de obtener la mayor cantidad de información posible sobre la función.
De forma que podamos tomar en consideración la mayoría de las propiedades
importantes de cara al proceso de optimización 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 características importantes a conseguir seria que la función
verifique alguna propiedad relacionada con la convexidad para así poder tener
un mayor numero de elementos de juicio acerca de la naturaleza y calidad de la
solución.
3.- Verificar cuidadosamente las funciones del problema, así como una correcta
determinación de un punto de partida. Antes de empezar el proceso de
optimización con el algoritmo especificado es absolutamente necesario verificar
la correcta introducción de las funciones que haya definido el usuario, ya que
ello proporciona el error más común.
Tales errores no son nunca pequeños, y ningún algoritmo puede funcionar
correctamente ente la presencia de inexactitudes en la evaluación de dichas
magnitudes. Así mismo, todos los algoritmos necesitan de un punto de partida
para iniciar la búsqueda 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 algún problema en la función, por
ejemplo, puntos donde se anula alguna derivada, punto donde no esta definida
la función, etc.
2.4.- COMPLEJIDAD
Vamos a describir el tamaño y el tiempo de resolución en los problema enteros-
binarios. Así, por ejemplo, consideremos un problema con el siguiente numero
de variables:
Si hay una variables binaria el numero de posibles soluciones es 2. Si tenemos
dos variables el numero de soluciones es 2^2  = 4. Si las variables son tres, las
soluciones son 2^3 = 8, y así sucesivamente, de la forma 2^n.
Muchas veces no somos conscientes de la numerabilidad de las soluciones, así
como de su dificultad.
Por ejemplo, si tenemos un problema con 10 variables binarias, el numero de
soluciones posibles es de 2^10 = 1.024.
Si duplicamos las variables, es decir, tenemos 20variables, el número de
posibles soluciones es de 2^20 = 1.048.576.
Si observamos que el numero de variables se ha multiplicado por 2 el numero
de posibles soluciones se ha multiplicado por 1.024.
No obstante, creo que merece la pena analizar un poco mas el tema de la
complejidad de los problemas. Supongamos que tenemos un problema con 100
variables binarias (de tamaño pequeño-medio). Como ya sabemos, el numero
de posibles soluciones es de 2^100. Parece un numero grande pero no
sabemos cuanto, si lo transformamos en potencia de 10, tenemos:
1,26765E+30,
es decir un numero con 30 cifras. Parece grande, pero veamos realmente lo
difícil que resulta analizar todas las soluciones. Para ello supongamos que
disponemos de un ordenador capaz de analizar todas las combinaciones
posibles. Ese ordenador será un CRAY-1, se trata de un tipo de
supercomputador que de manera informal se utiliza para poder comparar la
velocidad de las operaciones de los supercomputadores. Este ordenador es
capaz de analizar 1000 millones de operaciones por segundo, es decir, se trata
de un ordenador capaz de evaluar 1000 millones de posibles soluciones del
problema binario con 100 variables. La pregunta es cuanto tiempo tardaría este
superordenador en evaluar todas las posibles soluciones: 10 minutos,
15 días, 3 meses, cuanto?. La respuesta son simples operaciones.
Si en un segundo es capaz de analizar 100 millones, es decir, 1E+9. Bastara
con dividir el número de posibles soluciones por 1E+9, y ver cuantos segundos
son:
1,26765E+30 / 1E+9 = 1,26765E+22 segundos.
Si transformamos esos segundos en minutos tenemos:
1,26765E+22 / 60 = 2,11275E+20 minutos
Si transformamos los minutos en horas tenemos:
2,11275E+20 / 60 = 3,52125E+18 horas.
Así sucesivamente, pero ya vemos que el numero de horas es grande, pero
hasta cuanto tiempo seria necesario.
La respuesta es 4.075.523 millones de siglos. Si tenemos en cuanta que el Big
Bang (origen del universo fue entre 12.000 y 20.000 millones de siglos),
podemos llegar a la conclusión que aun disponiendo de un superodenador
desde el comienzo de los tiempos, aun nos faltarían varios millones de millones
de siglos para poder evaluar todas las soluciones de un problema de 100
variables binarias.
Si mejoramos es ordenador y este es capaz de realizar 100 BILLONES de
operaciones ( es decir 100 millones de millones de operaciones), es este caso la
cosa mejora notablemente ya que en este caso solamente son necesarios 4
millones de siglos.
 
Ref:
(1) Aracil, J. (1983): "Introducción a la dinámica de sistemas". Ed. Alianza.
Madrid. Pág. 18
(2) Puede verse a este respecto, Williams, H.P. (1978): "Model Building in
Mathematical
Programming".John Wiley & Sons. Nueva York. Pág. 3
(3)  Williams, op.cit. Pág 213.
(4)  Véase a este respecto: GILL, P.E.; MURRAY, W.; SAUNDERS, M.A. y
WRIGHT, M.H. (1985):
"Model building and practical aspects of nonlinear programming". NATO ASI
Series. Vol F15.
Springer-Verlag. Berlin - Heildelberg. Pág 209 - 247.

Modelos Determinísticos:
Optimización Lineal
Un modelo de Optimización Matemática consiste en una función objetivo y un conjunto
de restricciones en la forma de un sistema de ecuaciones o inecuaciones. Los modelos de
optimización son usados en casi todas las áreas de toma de decisiones, como en
ingeniería de diseño y selección de carteras financieras de inversión . Esta pagina web
presenta ejemplos focalizados y estructurados para la formulación de problemas de
optimización, diseño de la estrategia optima y herramientas de control de calidad que
incluyen validación, verificación y análisis post-solución.

Material Didáctico preparado por el Profesor Hossein Arsham,

  pagina WEB   http://ubmail.ubalt.edu/~harsham/index.html  

Introducción y Resumen
Los problemas de toma de decisiones se pueden clasificar en dos categorías: modelos de
decisión determinísticos y modelos de decisión probabilísticos. En los modelos
deterministicos, las buenas decisiones se basan en sus buenos resultados. Se consigue lo
deseado de manera "deterministica", es decir, libre de riesgo. Esto depende de la
influencia que puedan tener los factores no controlables, en la determinación de los
resultados de una decisión y también en la cantidad de información que el tomador de
decisión tiene para controlar dichos factores.

Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al

problema constante de mejorar (por ejemplo, optimizar) el rendimiento del sistema. El
problema puede ser reducir el costo de operación y a la vez mantener un nivel aceptable
de servicio, utilidades de las operaciones actuales, proporcionar un mayor nivel de
servicio sin aumentar los costos, mantener un funcionamiento rentable cumpliendo a la
vez con las reglamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la
calidad del producto sin reducir la calidad de otros aspectos. Para identificar la mejora del
funcionamiento del sistema, se debe construir una representación sintética o modelo del
sistema físico, que puede utilizarse para describir el efecto de una variedad de soluciones
propuestas.

Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin
la presencia de la misma. Una fotografía es un modelo de la realidad ilustrada en la
imagen. La presión arterial puede utilizarse como un modelo de la salud de una persona.
Una campaña piloto de ventas puede utilizarse como un modelo de la respuesta de las
personas a un nuevo producto. Por último, una ecuación matemática puede utilizarse
como un modelo de la energía contenida en un determinado material. En cada caso, el
modelo captura algún aspecto de la realidad que intenta representar.

Ya que un modelo sólo captura determinados aspectos de la realidad, su uso puede no ser
apropiado en una aplicación en particular porque no captura los elementos correctos de la
realidad. La temperatura es un modelo de las condiciones climáticas pero puede ser
inapropiado si uno está interesado en la presión barométrica. Una foto de una persona es
un modelo de la misma pero brinda poca información acerca de sus logros académicos.
Una ecuación que predice las ventas anuales de un producto en particular es un modelo
de ese producto pero tiene poca utilidad si lo que nos interesa es el costo de producción
por unidad. Por lo tanto, la utilidad del modelo depende del aspecto de la realidad que
representa.

Un modelo puede ser inadecuado aun cuando intenta capturar los elementos apropiados
de la realidad si lo hace de una manera distorsionada o sesgada. Una ecuación que
pronostica el volumen mensual de ventas puede ser exactamente lo que el gerente de
ventas quiere pero podría generar grandes pérdidas si arroja constantemente cálculos de
ventas altos. Un termómetro que lee de más (o de menos) tendría poca utilidad para
realizar un diagnóstico médico. En consecuencia, un modelo útil es aquel que captura los
elementos adecuados de la realidad con un grado aceptable de precisión.
Un modelo matemático es una ecuación, desigualdad o sistema de ecuaciones o
desigualdades, que representa determinados aspectos del sistema físico representado en el
modelo. Los modelos de este tipo se utilizan en gran medida en las ciencias físicas, en el
campo de la ingeniería, los negocios y la economía.

Un modelo ofrece al analista una herramienta que puede manipular en su análisis del
sistema en estudio, sin afectar al sistema en sí. Por ejemplo, supóngase que se ha
desarrollado un modelo matemático para predecir las ventas anuales como una función
del precio de venta unitario. Si se conoce el costo de producción por unidad, se pueden
calcular con facilidad las utilidades anuales totales para cualquier precio de venta. Para
determinar el precio de venta que arrojará las utilidades totales máximas, se pueden
introducir en el modelo distintos valores para el precio de venta, uno a la vez,
determinando las ventas resultantes y calculando las utilidades anuales totales para cada
valor de precio de venta examinado. Mediante un proceso de prueba y error, el analista
puede determinar el precio de venta que maximizará las utilidades anuales totales.

Lo ideal sería que si el modelo matemático es una representación válida del rendimiento
del sistema, mediante la aplicación de las técnicas analíticas adecuadas, la solución
obtenida a partir del modelo debería ser también la solución para el problema del sistema.
Así, la efectividad de los resultados de la aplicación de cualquier técnica operativa es en
gran medida una función del grado en el cual el modelo representa al sistema en estudio.

A fin de definir las condiciones que nos conducirán a la solución del problema del
sistema, el analista primero debe identificar un criterio según el cual se podrá medir el
sistema. Este criterio a menudo se denomina medida del rendimiento del sistema o
medida de efectividad. En aplicaciones empresariales, la medida de efectividad
generalmente son los costos o las utilidades, mientras que en aplicaciones
gubernamentales esta medida generalmente se define en términos de un índice
costo/beneficio.

El modelo matemático que describe el comportamiento de la medida de efectividad se

denomina función objetivo. Si la función objetivo es describir el comportamiento de la
medida de efectividad, debe capturar la relación entre esa medida y aquellas variables que
hacen que dicha medida fluctúe. Las variables del sistema pueden categorizarse en
variables de decisión y parámetros. Una variable de decisión es una variable que puede
ser directamente controlada por el decisor. También existen algunos parámetros cuyos
valores pueden ser inciertos para el decisor. Esto requiere un análisis de sensibilidad
después de descubrir la mejor estrategia. En la práctica, resulta casi imposible capturar la
relación precisa entre todas las variables del sistema y la medida de efectividad a través
de una ecuación matemática. En cambio, el analista de IO/CA debe tratar de identificar
aquellas variables que afectan en mayor grado la medida de efectividad y luego debe
intentar definir de manera lógica la relación matemática entre estas variables y la medida
de efectividad. Esta relación matemática es la función objetivo que se emplea para
evaluar el rendimiento del sistema en estudio.
La formulación de una función objetivo que tenga sentido normalmente es una tarea
tediosa y frustrante. Los intentos de desarrollo de una función objetivo pueden terminar
en un fracaso. Esto puede darse porque el analista elige el conjunto incorrecto de
variables para incluir en el modelo o bien, si el conjunto es el adecuado, porque no
identifica correctamente la relación entre estas variables y la medida de efectividad. En
un nuevo intento, el analista trata de descubrir las variables adicionales que podrían
mejorar su modelo descartando aquellas que parecen tener poca o ninguna relevancia. No
obstante, sólo se puede determinar si estos factores realmente mejoran el modelo una vez
realizadas la formulación y prueba de nuevos modelos que incluyan las variables
adicionales. Todo el proceso de selección y rechazo de variables puede requerir
reiteraciones múltiples hasta desarrollar una función objetivo satisfactoria. En cada
iteración, el analista espera lograr alguna mejora en el modelo, aunque no siempre se
tiene tanta buena suerte. Por lo general, el éxito final es precedido por una serie de
fracasos frustrantes y pequeños progresos.

En cada etapa del proceso de desarrollo, el analista debe evaluar la correspondencia o

validez del modelo. Normalmente se emplean dos criterios para realizar esta
determinación. El primero implica la experimentación del modelo: someter el modelo a
una serie de condiciones y registrar los valores asociados de la medida de efectividad
dada por el modelo en cada caso. Si la medida de efectividad varía de manera antinatural
con una sucesión de condiciones de entrada, es posible que la función objetivo no sea
válida. Por ejemplo, supóngase que se desarrolla un modelo destinado a calcular el valor
de mercado de viviendas unifamiliares. El modelo debe expresar el valor de mercado en
dólares como una función de la superficie cubierta en pies cuadrados, cantidad de
dormitorios, cantidad de baños y tamaño del lote. Después de desarrollar el modelo, el
analista lo aplica a la tasación de distintas viviendas, con distintos valores para las
características mencionadas y descubre que el valor de mercado desciende a medida que
aumenta la superficie cubierta expresada en pies cuadrados. Dado que este resultado no
concuerda con la realidad, el analista cuestionaría la validez del modelo. Por otro lado,
supóngase que el modelo es tal que el valor de las viviendas es una función creciente de
cada una de las cuatro características citadas, como generalmente es de esperar. Si bien
este resultado es alentador, no necesariamente implica que el modelo es una
representación válida de la realidad, dado que la tasa de aumento de cada variable puede
ser excesivamente alta o baja. La segunda etapa de la validación del modelo requiere una
comparación de los resultados del modelo con los resultados obtenidos en la realidad.

Optimización

La humanidad hace tiempo que busca, o profesa buscar, mejores maneras de realizar las
tareas cotidianas de la vida. A lo largo de la historia de la humanidad, se puede observar
la larga búsqueda de fuentes más efectivas de alimentos al comienzo y luego de
materiales, energía y manejo del entorno físico. Sin embargo, relativamente tarde en la
historia de la humanidad, comenzaron a formularse ciertas clases de preguntas generales
de manera cuantitativa, primero en palabras y después en notaciones simbólicas. Un
aspecto predominante de estas preguntas generales era la búsqueda de lo "mejor" o lo
"óptimo". Generalmente, los gerentes buscan simplemente lograr alguna mejora en el
nivel de rendimiento, es decir, un problema de "búsqueda de objetivo". Cabe destacar que
estas palabras normalmente no tienen un significado preciso

Se han realizado grandes esfuerzos por describir complejas situaciones humanas y

sociales. Para tener significado, esto debería escribirse en una expresión matemática que
contenga una o más variables, cuyos valores deben determinarse. La pregunta que se
formula, en términos generales, es qué valores deberían tener estas variables para que la
expresión matemática tenga el mayor valor numérico posible (maximización) o el menor
valor numérico posible (minimización). A este proceso general de maximización o
minimización se lo denomina optimización.

La optimización, también denominada programación matemática, sirve para encontrar la

respuesta que proporciona el mejor resultado, la que logra mayores ganancias, mayor
producción o felicidad o la que logra el menor costo, desperdicio o malestar. Con
frecuencia, estos problemas implican utilizar de la manera más eficiente los recursos,
tales como dinero, tiempo, maquinaria, personal, existencias, etc. Los problemas de
optimización generalmente se clasifican en lineales y no lineales, según las relaciones del
problema sean lineales con respecto a las variables. Existe una serie de paquetes de
software para resolver problemas de optimización. Por ejemplo, LINDO o WinQSB
resuelven modelos de programas lineales y LINGO y What'sBest! resuelven problemas
lineales y no lineales.

La Programación Matemática, en general, aborda el problema de determinar asignaciones

óptimas de recursos limitados para cumplir un objetivo dado. El objetivo debe representar
la meta del decisor. Los recursos pueden corresponder, por ejemplo, a personas,
materiales, dinero o terrenos. Entre todas las asignaciones de recursos admisibles,
queremos encontrar la/s que maximiza/n o minimiza/n alguna cantidad numérica tal
como ganancias o costos.

El objetivo de la optimización global es encontrar la mejor solución de modelos de

decisiones difíciles, frente a las múltiples soluciones locales.

Programación Lineal (PL)

La programación lineal muchas veces es uno de los temas preferidos tanto de profesores
como de alumnos. La capacidad de introducir la PL utilizando un abordaje gráfico, la
facilidad relativa del método de solución, la gran disponibilidad de paquetes de software
de PL y la amplia gama de aplicaciones hacen que la PL sea accesible incluso para
estudiantes con poco conocimiento de matemática. Además, la PL brinda una excelente
oportunidad para presentar la idea del análisis what-if o análisis de hipótesis ya que se
han desarrollado herramientas poderosas para el análisis de post optimalidad para el
modelo de PL.
La Programación Lineal (PL) es un procedimiento matemático para determinar la
asignación óptima de recursos escasos. La PL es un procedimiento que encuentra su
aplicación práctica en casi todas las facetas de los negocios, desde la publicidad hasta la
planificación de la producción. Problemas de transporte, distribución, y planificación
global de la producción son los objetos más comunes del análisis de PL. La industria
petrolera parece ser el usuario más frecuente de la PL. Un gerente de procesamiento de
datos de una importante empresa petrolera recientemente calculó que del 5% al 10% del
tiempo de procesamiento informático de la empresa es destinado al procesamiento de
modelos de PL y similares.

La programación lineal aborda una clase de problemas de programación donde tanto la

función objetivo a optimizar como todas las relaciones entre las variables
correspondientes a los recursos son lineales. Este problema fue formulado y resuelto por
primera vez a fines de la década del 40. Rara vez una nueva técnica matemática encuentra
una gama tan diversa de aplicaciones prácticas de negocios, comerciales e industriales y a
la vez recibe un desarrollo teórico tan exhaustivo en un período tan corto. Hoy en día,
esta teoría se aplica con éxito a problemas de presupuestos de capital, diseño de dietas,
conservación de recursos, juegos de estrategias, predicción de crecimiento económico y
sistemas de transporte. Recientemente la teoría de la programación lineal también
contribuyó a la resolución y unificación de diversas aplicaciones.

Es importante que el lector entienda desde el comienzo que el término "programación"

tiene un significado distinto cuando se refiere a Programación Lineal que cuando
hablamos de Programación Informática. En el primer caso, significa planificar y
organizar mientras que en el segundo caso, significa escribir las instrucciones para
realizar cálculos. La capacitación en una clase de programación tiene muy poca
relevancia directa con la otra clase de programación. De hecho, el término "programación
lineal" se acuñó antes de que la palabra programación se relacionara con el software de
computación. A veces se evita esta confusión utilizando el término optimización lineal
como sinónimo de programación lineal.

Cualquier problema de PL consta de una función objetivo y un conjunto de restricciones.

En la mayoría de los casos, las restricciones provienen del entorno en el cual usted trabaja
para lograr su objetivo. Cuando usted quiere lograr el objetivo deseado, se dará cuenta de
que el entorno fija ciertas restricciones (es decir, dificultades, limitaciones) para cumplir
con su deseo (vale decir, el objetivo). Es por eso que las religiones, como el Budismo
entre otras, prescriben vivir una vida abstemia. Sin deseo, no hay dolor. ¿Puede usted
seguir este consejo con respecto a su objetivo de negocios?

Qué es una función: una función es una cosa que hace algo. Por ejemplo, una máquina
de moler café es una función que transforma los granos de café en polvo. La función
(objetivo) traza, traduce el dominio de entrada (denominado región factible) en un rango
de salida con dos valores finales denominados valores máximo y mínimo.

Cuando se formula un problema de toma de decisiones como un programa lineal, se

deben verificar las siguientes condiciones:
 1. 1. La función objetivo debe ser lineal. Vale decir que se debe verificar que
todas las variables estén elevadas a la primera potencia y que sean
sumadas o restadas (no divididas ni multiplicadas);
2. 2. El objetivo debe ser ya sea la maximización o minimización de una
función lineal. El objetivo debe representar la meta del decisor; y
3. 3. Las restricciones también deben ser lineales. . Asimismo, la restricción
debe adoptar alguna de las siguientes formas ( , , O =, es decir que las
restricciones de PL siempre están cerradas).

Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a  1. Este

problema tan sencillo no tiene solución.

Como siempre, se debe tener cuidado al categorizar un problema de optimización como

un problema de PL. ¿El siguiente problema es un problema de PL?

Max X2
sujeta a:
X1 + X2  0
X12 - 4  0

Aunque la segunda restricción parece "como si" fuera una restricción no lineal, esta
restricción puede escribirse también de la siguiente forma:
X1  -2, y X2  2.
En consecuencia, el problema es de hecho un problema de PL.

Para la mayoría de los problemas de PL, podemos decir que existen dos tipos importantes
de objetos: en primer lugar, los recursos limitados, tales como terrenos, capacidad de
planta, o tamaño de la fuerza de ventas; en segundo lugar, las actividades, tales como
"producir acero con bajo contenido de carbono", y "producir acero con alto contenido de
carbono". Cada actividad consume o probablemente contribuye cantidades adicionales de
recursos. Debe haber una función objetivo, es decir, una manera de discriminar una mala
de una buena o una mejor decisión. El problema es determinar la mejor combinación de
niveles de actividades, que no utilice más recursos de los disponibles. Muchos gerentes se
enfrentan a esta tarea todos los días. Afortunadamente, el software de programación
lineal ayuda a determinar esto cuando se ingresa un modelo bien formulado.

El método Simplex es un algoritmo de solución muy utilizado para resolver programas

lineales. Un algoritmo es una serie de pasos para cumplir con una tarea determinada.

Proceso de Formulación de un Problema de PL y su Aplicación

Para formular un problema de PL, recomiendo seguir los siguientes lineamientos

generales después de leer con atención el enunciado del problema varias veces.
Todo programa lineal consta de cuatro partes: un conjunto de variables de decisión, los
parámetros, la función objetivo y un conjunto de restricciones. Al formular un
determinado problema de decisión en forma matemática, debe practicar la comprensión
del problema (es decir, formular un Modelo Mental) leyendo detenidamente una y otra
vez el enunciado del problema. Mientras trata de comprender el problema, formúlese las
siguientes preguntas generales:

1. ¿Cuáles son las variables de decisión? Es decir, ¿cuáles con las entradas
controlables? Defina las variables de decisión con precisión utilizando
nombres descriptivos. Recuerde que las entradas controlables también se
conocen como actividades controlables, variables de decisión y
actividades de decisión.
2. Cuáles son los parámetros? Vale decir ¿cuáles son las entradas no
controlables? Por lo general, son los valores numéricos constantes dados.
Defina los parámetros con precisión utilizando nombres descriptivos.
3. ¿Cuál es el objetivo? ¿Cuál es la función objetivo? Es decir, ¿qué quiere el
dueño del problema? ¿De qué manera se relaciona el objetivo con las
variables de decisión del dueño del problema? ¿Es un problema de
maximización o minimización? El objetivo debe representar la meta del
decisor.
4. ¿Cuáles son las restricciones? Es decir, ¿qué requerimientos se deben
cumplir? ¿Debería utilizar un tipo de restricción de desigualdad o
igualdad? ¿Cuáles son las conexiones entre las variables? Escríbalas con
palabras antes de volcarlas en forma matemática.

Recuerde que la región factible tiene poco o nada que ver con la función objetivo (minim.
o maxim.). Estas dos partes en cualquier formulación de PL generalmente provienen de
dos fuentes distintas. La función objetivo se establece para cumplir con el deseo
(objetivo) del decisor mientras que las restricciones que forman la región factible
generalmente provienen del entorno del decisor que fija algunas limitaciones /
condiciones para lograr su objetivo.

A continuación, se incluye un problema ilustrativo muy sencillo. Sin embargo, el

abordaje del problema es igual para una gran variedad de problemas de toma de decisión,
mientras que el tamaño o la complejidad pueden variar. El primer ejemplo es un
problema de mix de productos y el segundo es un problema de mezcla.

El Problema del Carpintero

Durante un par de sesiones de tormenta de ideas con un carpintero (nuestro cliente), éste
nos comunica que sólo fabrica mesas y sillas y que vende todas las mesas y las sillas que
fabrica en un mercado. Sin embargo, no tiene un ingreso estable y desea optimizar esta
situación.
El objetivo es determinar cuántas mesas y sillas debería fabricar para maximizar sus
ingresos netos. Comenzamos concentrándonos en un horizonte de tiempo, es decir, un
plazo de planificación, , para revisar nuestra solución semanalmente, si fuera necesario.
Para saber más acerca de este problema, debemos ir al negocio del carpintero y observar
lo que sucede y medir lo que necesitamos para para formular (para crear un modelo de)
su problema. Debemos confirmar que su objetivo es maximizar sus ingresos netos.
Debemos comunicarnos con el cliente.

El problema del carpintero se trata de determinar cuántas mesas y sillas debe fabricar por
semana; pero primero se debe establecer una función objetivo La función objetivo es:
5X1 + 3X2, donde X1 y X2 representan la cantidad de mesas y sillas; y 5 y 3 representan
los ingresos netos (por ejemplo, en dólares o décimas de dólares) de la venta de una mesa
y una silla, respectivamente. Los factores limitantes, que normalmente provienen del
exterior, son las limitaciones de la mano de obra (esta limitación proviene de la familia
del carpintero) y los recursos de materia prima (esta limitación proviene de la entrega
programada). Se miden los tiempos de producción requeridos para una mesa y una silla
en distintos momentos del día y se calculan en 2 horas y 1 hora, respectivamente. Las
horas laborales totales por semana son sólo 40. La materia prima requerida para una mesa
y una silla es de 1 y 2 unidades, respectivamente. El abastecimiento total de materia
prima es de 50 unidades por semana. En consecuencia, la formulación de PL es la
siguiente:

Maximizar 5 X1 + 3 X2

Sujeta a:
2 X1 + X2  40 restricción de mano de obra
X1 + 2 X2  50 restricción de materiales
tanto X1 como X2 son no negativas.

Este es un modelo matemático para el problema del carpintero. Las variables de decisión,
es decir, las entradas controlables son X1, y X2. La salida o el resultado de este modelo
son los ingresos netos totales 5 X1 + 3 X2. Todas las funciones empleadas en este
modelo son lineales (las variables de decisión están elevadas a la primera potencia). El
coeficiente de estas restricciones se denomina denomina Factores Tecnológicos (matriz).
El período de revisión es de una semana, un período conveniente dentro del cual es
menos probable que cambien (fluctúen) las entradas controlables (todos los parámetros
tales como 5, 50, 2,..). Incluso en un plazo de planificación tan corto, debemos realizar el
análisis what-if o de hipótesis para responder a cualquier cambio en estas entradas a los
efectos de controlar el problema, es decir, actualizar la solución prescripta.

Nótese que dado que el Carpintero no va a ir a la quiebra al final del plazo de

planificación, agregamos las condiciones que tanto X1 como X2 deben ser no negativas
en lugar de los requerimientos que X1 y X2 deben ser números enteros positivos.
Recuerde que las condiciones de no negatividad también se denominan "restricciones
implícitas". Nuevamente, un Programa Lineal funcionaría bien para este problema si el
Carpintero continúa fabricando estos productos. Los artículos parciales simplemente se
contarían como trabajos en proceso y finalmente se transformarían en productos
terminados, en la siguiente semana.

Podemos intentar resolver X1 y X2 enumerando posibles soluciones para cada una y

seleccionado el par (X1, X2) que maximice 5X1 + 3X2 (los ingresos netos). Sin
embargo, lleva mucho tiempo enumerar todas las alternativas posibles y si no se
enumeran todas las alternativas, no podemos estar seguros de que el par seleccionado
(como una solución) es la mejor de todas las alternativas. Otras metodologías preferidas
(más eficientes y efectivas), conocidas como las Técnicas de Soluciones de Programación
Lineal están disponibles en el mercado en más de 4000 paquetes de software de todo el
mundo.

La solución óptima, es decir, la estrategia óptima, , es establecer X1 = 10 mesas y X2 =

20 sillas. Programamos las actividades semanales del carpintero para que fabrique 10
mesas y 20 sillas. Con esta estrategia (óptima), los ingresos netos son de US$110. Esta .
Esta solución prescripta sorprendió al carpintero dado que debido a los mayores ingresos
netos provenientes de la venta de una mesa (US$5), el solía fabricar más mesas que sillas.

¿Contratar o no contratar a un ayudante? Supóngase que el carpintero pudiera contratar a

un ayudante a un costo de US$2 por hora (adicionales $2) ¿Le conviene al carpintero
contratar a un ayudante? En caso afirmativo, ¿por cuántas horas?

X3 es la cantidad de horas extra, entonces el problema modificado es:

Maximizar 5 X1 + 3 X2 - 2 X3

Sujeta a:
2 X1 + X2  40 + X3 restricción de la mano de obra con horas adicionales desconocidas
X1 + 2 X2  50 restricción de materiales

En esta nueva condición, veremos que la solución óptima es X1 = 50, X2 = 0, X3 = 60,

con ingresos netos óptimos de US$130. Por lo tanto, el carpintero debería contratar a un
ayudante por 60 horas. ¿Qué pasaría si sólo lo contrata por 40 horas? La respuesta a esta
pregunta y a otros tipos de preguntas del estilo "qué pasaría si" (what-if) se estudia en la
sección sobre análisis de sensibilidad en este sitio Web.

Un Problema de Mezcla

El taller LUBEOIL se especializa en cambios de aceite del motor y regulacion del

sistema electrico. El beneficio por cambio del aceite es $7 y de $15 por regulación. Joe
tiene un cliente fijo con cuya flota, le garantiza 30 cambios de aceite por semana. Cada
cambio de aceite requiere de 20 minutos de trabajo y $8 de insumos. Una regulación
toma una hora de trabajo y gasta $15 en insumos. LUBEOIL paga a los mecánicos $10
por hora de trabajo y emplea actualmente a dos de ellos, cada uno de los cuales labora 40
horas por semana. Las compras de insumos alcanzan un valor de $1.750 semanales.
LUBEOIL desea maximizar el beneficio total. Formule el problema.

Esto es una pregunta de programación linear. Una porción de un cambio del aceite o del
ajuste no es factible.
X1 = Cambios del aceite, ajuste
X2 = Ajuste

Maximizar 7X1 + 15X2

Sujeta a:
X1  30 Cuenta De la Flota
20X1 + 60X2  4800 De trabajo tiempo
8X1 + 15X2  1750 Primas Materias
X1  0, X2  0.

El coste de trabajo de $10 por hora no se requiere para formular el problema desde el
beneficio por cambio del aceite y el ajuste toma en la consideración el coste de trabajo.

Otras Aplicaciones Comunes de PL

La programación lineal es una herramienta poderosa para seleccionar alternativas en un

problema de decisión y por consiguiente se aplica en una gran variedad de entornos de
problemas. La cantidad de aplicaciones es tan alta que sería imposible enumerarlas todas.
A continuación, indicamos algunas de las principales aplicaciones que cubren las áreas
funcionales más importantes de una organización empresarial.

Finanzas: el problema del inversor podría ser un problema de selección del mix de su
cartera de inversiones. En general, la variedad de carteras puede ser mucho mayor que lo
que indica el ejemplo y se pueden agregar muchas más restricciones distintas. Otro
problema de decisión implica determinar la combinación de métodos de financiación para
una cantidad de productos cuando existe más de un método de financiación disponible. El
objetivo puede ser maximizar las ganancias totales cuando las ganancias de un producto
determinado dependen del método de financiación. Por ejemplo, se puede financiar con
fondos internos, con deuda a corto plazo o con financiación intermedia (créditos
amortizados). Puede haber limitaciones con respecto a la disponibilidad de cada una de
las opciones de financiación, así como también restricciones financieras que exijan
determinadas relaciones entre las opciones de financiación a los efectos de satisfacer los
términos y condiciones de los préstamos bancarios o financiación intermedia. También
puede haber límites con respecto a la capacidad de producción de los productos. Las
variables de decisión serían la cantidad de unidades que deben ser financiadas por cada
opción de financiación.
Administración de Producción y Operaciones: muchas veces en las industrias de proceso,
una materia prima en particular puede transformarse en una gran variedad de productos.
Por ejemplo, en la industria petrolera, el crudo puede refinarse para producir nafta,
kerosene, aceite para calefaccionar y distintas clases de aceite para motor. Según el
margen de ganancia actual de cada producto, el problema es determinar la cantidad que
se debería fabricar de cada producto. Esta decisión está sujeta a numerosas restricciones
tales como límites de las capacidades de diversas operaciones de refinado, disponibilidad
de materia prima, demandas de cada producto y políticas gubernamentales con respecto a
la fabricación de determinados productos. En la industria de productos químicos y de
procesamiento de alimentos existen problemas similares.

Recursos Humanos: los problemas de planificación de personal también se pueden

analizar con programación lineal. Por ejemplo, en la industria telefónica, la demanda de
servicios de personal de instalación / reparación son estacionales. El problema es
determinar la cantidad de personal de instalación / reparación y reparación de líneas que
debemos tener incorporada en la fuerza laboral por cada mes a fin de minimizar los
costos totales de contratación, despido, horas extras y salarios en horas ordinarias. El
conjunto de restricciones comprende restricciones con respecto a la demanda de servicio
que se debe satisfacer, uso de horas extra, acuerdos con los sindicatos y la disponibilidad
de personal calificado para contratar. Este ejemplo es opuesto a la hipótesis de
divisibilidad. Sin embargo, los niveles de fuerza laboral de cada mes normalmente son lo
suficientemente altos como para poder redondear al número entero más cercano sin
problemas, siempre y cuando no se violen las restricciones.

Marketing: se puede utilizar la programación lineal para determinar el mix adecuado de

medios de una campaña de publicidad. Supóngase que los medios disponibles son radio,
televisión y diarios. El problema es determinar cuántos avisos hay que colocar en cada
medio. Por supuesto que el costo de colocación de un aviso depende del medio elegido.
El objetivo es minimizar el costo total de la campaña publicitaria, sujeto a una serie de
restricciones. Dado que cada medio puede proporcionar un grado diferente de exposición
a la población meta, puede haber una cota inferior con respecto a la exposición de la
campaña. Asimismo, cada medio puede tener distintos ratings de eficiencia para producir
resultados deseables y por consiguiente puede haber una cota inferior con respecto a la
eficiencia. Además, puede haber límites con respecto a la disponibilidad para publicar en
cada medio.

Distribución: otra aplicación de programación lineal es el área de la distribución.

Considere un caso en el que existen m fábricas que deben enviar productos a n depósitos.
Una determinada fábrica podría realizar envíos a cualquier cantidad de depósitos. Dado el
costo del envío de una unidad del producto de cada fábrica a cada depósito, el problema
es determinar el patrón de envío (cantidad de unidades que cada fábrica envía a cada
depósito) que minimice los costos totales. Este decisión está sujeta a restricciones que
exigen que cada fábrica no pueda enviar más productos de los que tiene capacidad para
producir.
Método de Solución Gráfica

Dado que somos una especie visual (especialmente la cultura estadounidense), debido a
nuestro sistema educativo, muchas de las herramientas de enseñanza escolar utilizadas en
la actualidad son de naturaleza gráfica. Les enseñamos a leer mostrándoles figuras de las
cosas. Les enseñamos a contar mostrándoles el orden de los números. En consecuencia,
nuestros receptores visuales se agudizan a expensas de otras funciones cognitivas.
También he descubierto que las personas de negocios responden mejor a los gráficos y a
los cuadros que a los números.

Procedimiento para el Método Gráfico de Solución de Problemas de PL:

1. ¿El problema es un problema de PL? La respuesta es afirmativa si y sólo

si:

Todas las variables están elevadas a la primera potencia y son sumadas o

restadas (no dividas ni multiplicadas). La restricción debe adoptar alguna
de las siguientes formas (, , o =, es decir que las restricciones de PL
siempre están cerradas), y el objetivo debe ser de maximización o
minimización.

Por ejemplo, el siguiente problema no es un problema de PL: Max X,

sujeta a . Este problema tan sencillo no tiene solución.

2. ¿Puedo utilizar el método gráfico? La respuesta es afirmativa si la

cantidad de variables de decisión es 1 o 2.
3. Utilice papel milimetrado. Grafique cada restricción, una por una, como si
fueran igualdades (como si todo  y , es = ) y luego trace la línea.
4. A medida que se crea cada línea, divida la región en 3 partes con respecto
a cada línea. Para identificar la región factible para esta restricción en
particular, elija un punto en cualquier lado de la línea y coloque sus
coordenadas en la restricción, si satisface la condición, este lado es
factible, de lo contrario el otro lado es factible. En el caso de restricciones
de igualdad, sólo los puntos sobre la línea son factibles.
5. Elimine los lados que no son factibles.

Una vez graficadas todas las restricciones, debe generarse una región
factible no vacía (convexa), salvo que el problema sea no factible.

6. Cree (como mínimo) dos líneas de igual valor desde la función objetivo,
fijando la función objetivo en dos números distintos cualquiera. Grafique
las líneas resultantes. Al mover estas líneas paralelas, encontrará el vértice
óptimo (punto extremo), si es que existe.

En general, si la región factible se encuentra dentro del primer cuadrante

del sistema de coordenadas (es decir si X1 y X2  0), entonces, para los
 problemas de maximización, usted debe mover la función objetivo de
igual valor (función iso) paralela a sí misma lejos del punto de origen (0,
0), como mínimo, teniendo a la vez un punto en común con la región
factible. Sin embargo, para los problemas de minimización, debe realizar
lo opuesto, es decir, mover la función objetivo de igual valor (función iso)
paralela a sí misma acercándola al punto de origen, a su vez teniendo
como mínimo un punto en común con la región factible. El punto común
proporciona la solución óptima.

Recuerde que las restricciones de PL proporcionan los vértices y las esquinas. Un vértice
es la intersección de 2 líneas o en general, n hiperplanos en problemas de PL con n
variables de decisión. Una esquina es un vértice que además es factible.

Un Ejemplo Numérico: El Problema del Carpintero

Maximizar 5 X1 + 3 X2

Sujeta a:
2 X1 + X2  40
X1 + 2 X2  50
and both X1, X2 are non-negative.

Nota: Existe una alternativa del abordaje de la función objetivo de igual valor (función
iso) con problemas que tienen pocas restricciones y una región factible acotada. Primero
busque todas las esquinas, también llamadas puntos extremos. Luego, evalúe la función
objetivo en los puntos extremos para llegar al valor óptimo y a la solución óptima.

Por ejemplo, en el problema del carpintero, la región factible convexa proporciona los
puntos extremos con las coordenadas que figuran en la siguiente Tabla:

Valor de la Función Objetivo en cada Esquina o Punto Extremo

Coordenadas de los Puntos Función de los Ingresos
Elecciones del Decisor
Extremos Netos
Cantidad de Mesas o Sillas              X1, X2            5 X1 + 3 X2
No fabricar ninguna mesa ni
               0, 0                     0
silla
Fabricar todas la mesas
             20, 0                  100
posibles
Fabricar todas las sillas
              0, 25                    75
posibles
Fabricar una combinación de
            10, 20                  110
productos

Dado que el objetivo es maximizar, de la tabla anterior surge que el valor óptimo es 110,
el cual se obtiene si el carpintero sigue la estrategia óptima de X1 = 10 y X2 = 20.

La principal deficiencia del método gráfico es que se limita a resolver

problemas lineales que tengan sólo 1 o 2 variables de decisión. Sin
embargo, la conclusión principal y útil a la que podemos arribar a partir
del análisis de los métodos gráficos es la siguiente:

Si un programa lineal tiene una región factible acotada no vacía, la

solución óptima es siempre uno de los puntos extremos. .

La prueba de esta afirmación surge de los resultados de los siguientes dos

hechos:

Hecho N° 1: La región factible de cualquier programa lineal es siempre un

conjunto convexo.

Debido a que todas las restricciones son lineales, la región factible (R.F.)
es un polígono. Además, este polígono es un conjunto convexo. En
cualquier problema de PL que tenga más de dos dimensiones, los límites
de la región factible son partes de los hiperplanos, y la región factible en
este caso se denomina poliedro y también es convexa. Un conjunto
convexo es aquel en el cual si se eligen dos puntos factibles, todos los
puntos en el segmento de la línea recta que une estos dos puntos también
son factibles. La prueba de que la región factible de los programas lineales
son siempre conjuntos convexos surge por contradicción. Las siguientes
figuras ilustran ejemplos de los dos tipos de conjuntos: un conjunto no
convexo y un conjunto convexo.

El conjunto de la región factible en cualquier programa lineal se denomina

poliedro y si está acotado se denomina politopo.

Hecho N° 2: El valor iso de una función objetivo de un programa lineal es

siempre una función lineal.

Este hecho surge de la naturaleza de la función objetivo de cualquier

problema de PL. Las siguientes figuras ilustran las dos clases típicas de
funciones objetivo de igual valor (función iso).

De la combinación de los dos hechos expresados arriba surge que si un

programa lineal tiene una región factible acotada no vacía, la solución
óptima es siempre uno de los puntos extremos.

Para superar la deficiencia del método gráfico, utilizaremos esta

conclusión útil y práctica en el desarrollo de un método algebraico
aplicable a problemas de PL multidimensionales.
La convexidad de la región factible de los programas lineales facilita la
resolución de problemas de PL. Debido a esta propiedad y a la linealidad
de la función objetivo, la solución es siempre uno de los vértices.
Asimismo, dado que la cantidad de vértices es limitada, todo lo que
debemos hacer es buscar todos los vértices factibles y luego evaluar la
función objetivo en dichos vértices para encontrar el punto óptimo.

En el caso de programas no lineales, el problema es mucho más difícil de

resolver porque la solución podría estar en cualquier parte dentro de la
región factible, en el límite de la región factible o en un vértice.

Por suerte, la mayoría de los problemas de optimización empresarial son

lineales y es por eso que la PL es tan popular. Hoy en día, existen más de
400 paquetes de software en el mercado para resolver problemas de PL.
La mayoría se basa en la búsqueda de vértices. Esto equivale a pasar de un
vértice a otro cercano en busca de un punto óptimo.

Vínculo entre Programación Lineal y Sistemas de Ecuaciones

George Dantzig la programación lineal es estrictamente "la teoría y la

solución de sistemas lineales de desigualdad". Probablemente ya ha
notado que las soluciones básicas de un programa lineal son las soluciones
de los sistemas de ecuaciones que constan de restricciones en una posición
obligatoria.

Por ejemplo, en el caso del Problema del Carpintero, se pueden calcular

todas las soluciones básicas, tomando dos ecuaciones cualquiera y
resolviéndolas al mismo tiempo. Luego, se utilizan las restricciones de las
otras ecuaciones para verificar la factibilidad de esta solución. Si es
factible, esta solución es una solución básica factible que proporciona las
coordenadas de un punto extremo de la región factible. Para ilustrar el
procedimiento, considere las restricciones del Carpintero en la posición
obligatoria (es decir todas con signo =):

2X1 + X2 = 40
X1 + 2X2 = 50
X1 = 0
X2 = 0

Aquí tenemos 4 ecuaciones con 2 incógnitas. Existen como máximo C42 =

4! / (2! 2!) = 6 soluciones básicas. Si resolvemos los seis sistemas de
ecuaciones resultantes tenemos:

Seis Soluciones Básicas con Cuatro Soluciones Básicas Factibles

 X1 X2 5X1 + 3X2
10 20 110*
0 40 No factible
20 0 100
0 25 75
50 0 No factible
0 0 0

Cuatro de las soluciones básicas que figuran arriba son soluciones básicas
factibles que satisfacen todas las restricciones y pertenecen a los vértices
de la región factible. Al incluir la solución básica factible en la función
objetivo, podemos calcular el valor óptimo. Entonces, de la tabla anterior
surge que la solución óptima es X1 = 10, X2 = 20, con un valor óptimo de
US$110. Este abordaje puede aplicarse para resolver problemas de PL de
más dimensiones.

Extensión a Mayores Dimensiones

El Método Gráfico se limita a resolver problemas de PL con una o dos

variables de decisión. Sin embargo, proporciona una clara ilustración de
dónde se encuentran las regiones factibles y no factibles así como también
los vértices. Desarrollar una comprensión visual del problema contribuye a
un proceso de pensamiento más racional. Por ejemplo, ya vimos que: si un
programa lineal tiene una región factible acotada no vacía, la solución
óptima es siempre uno de los vértices de su región factible (una esquina o
punto extremo). Como resultado, lo que debemos hacer es buscar todos los
puntos de intersección (vértices) y luego examinar cuál de todos los
vértices factibles proporciona la solución óptima. Ahora, aplicando
conceptos de Geometría Analítica, sortearemos esta limitación de la visión
humana. El Método Algebraico está diseñado para extender los resultados
del método gráfico a problemas de PL multidimensionales, tal como se
ilustra en el siguiente ejemplo numérico.

Ejemplo Numérico: el Problema del Transporte

El objetivo es encontrar la manera más efectiva de transportar productos.

La siguiente tabla presenta un resumen de la oferta y la demanda en cada
origen (por ejemplo: el depósito) O1, O2 y destino (por ejemplo: el
mercado) D1 y D2, junto con el costo unitario de transporte.
Matriz de Costo Unitario
de Transporte
D1 D2 Oferta
O1 20 30 200
 O2 10 40 100
Demanda 150 150 300

Xij representa la cantidad de productos enviados desde el origen i hasta el

destino j. La formulación de PL del problema de minimización del costo
total de transporte es la siguiente:

Min 20X11 + 30X12 + 10X21 + 40X22

Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
X12 + X22 = 150
todas Xij  0

Como este problema de transporte es equilibrado (oferta total = demanda

total) todas las restricciones están en forma de igualdad. Además,
cualquiera de las restricciones es redundante (si se suman dos restricciones
cualquiera y se resta otra obtenemos la restricción restante). Borremos la
última restricción. El problema entonces queda así:

Min 20X11 + 30X12 + 10X21 + 40X22

Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
todas Xij  0

Este problema de PL no se puede resolver mediante el método gráfico. Sin

embargo, el método algebraico no tiene ninguna limitación con respecto a
la dimensión de PL. Nótese que tenemos tres ecuaciones con cuatro
variables de decisión restringidas. Fijando cualquiera de las variables en
cero obtenemos:

X11 X12 X21 X22 Costo Total de Transporte

0 200 150 -50 No factible
200 0 -50 150 No factible
150 50 0 100 8500
50 150 100 0 6500*

Ahora poniendo cualquier y dos (o más) las variables para poner cero de a,
es fácil de ver, inspeccionando las tres ecuaciones que todas las otras
soluciones son no factible.
Por lo tanto, la estrategia óptima es X11 = 50, X12 = 150, X21 = 100, y
X22 = 0, con un costo total de transporte mínimo de US$6.500.

Si lo desea, puede resolver este problema con Modul Net.Exe en el

paquete WinQSB para verificar estos resultados.

Conceptos y Técnicas de Aprendizaje Asistidos por Computadora

Debemos ser precavidos al cuestionar nuestra intuición y demostrar

porqué debemos aprender mediante un instrumento que en este curso es un
paquete de software. Todos los alumnos de Física y Química realizan
experimentos en los laboratorios para conocer bien los temas de estos dos
campos de estudio. Usted también debe realizar experimentos para
comprender los conceptos de la Ciencia de Administración. Por ejemplo,
debe utilizar paquetes de software para realizar análisis what-if o de
hipótesis. El software le permite observar los efectos de la variación de los
valores dados.

Los programas lineales reales siempre se resuelven por computadora. Por

lo general las computadoras utilizan el método simplex para llegar a las
soluciones. Los coeficientes de la función objetivo se denominan
coeficientes de costos (porque históricamente durante la Segunda Guerra
Mundial, el primer problema de PL fue un problema de minimización de
costos), coeficientes tecnológicos y valores RHS (o valores del lado
derecho). Esta es la manera perfecta de aprender conceptos del análisis de
sensibilidad. Como usuario, usted puede darse el lujo de ver resultados
numéricos y compararlos con lo que usted espera ver.

El paquete LINDO es un software muy utilizado para problemas de PL. Se

puede bajar una versión para Windows gratuita en la página Home de
LINDO en LINDO, http://www.lindo.com. En este sitio se explica como
ejecutar e interpretar los resultados del paquete LINDO.

¡Precaución! Antes de utilizar cualquier software, verifique que sea

confiable.

Aquí encontrará una Guía de Software de PL para su revisión: LP

Software Guide.

Cómo Interpretar los Resultados del Paquete de Software LINDO

En este curso, utilizamos paquetes de software con dos objetivos distintos.
Queremos realizar muchos experimentos numéricos utilizando paquetes de
software como herramientas para resolver muchos problemas a fin de ver
por nosotros mismos, y comprender todos los conceptos teóricos (como
por ejemplo, los precios sombra) contenidos en los temas del curso. Esto
comprende también las herramientas de computación disponibles en la
Web. Por último, aprendemos a usar e interpretar los resultados de los
paquetes de software a fin de resolver problemas prácticos de gran
tamaño.

Lindo es un paquete de software muy popular que resuelve problemas

lineales. La aplicación LP/ILP de WinQSB realiza las mismas operaciones
que Lindo pero de una manera mucho más fácil de usar.
El nombre LINDO es la abreviatura en inglés de Linear INteractive
Discrete Optimización (Optimización Lineal Discreta e Interactiva). Aquí
la palabra "discreta" significa pasar de una solución factible básica a la
siguiente en lugar de desplazarse por toda la región factible en busca de la
solución básica factible óptima (si la hubiere).

Al igual que todos los paquetes de PL, tal como WinQSB, Lindo emplea
el método simplex. Junto con la solución del problema, el programa
también proporciona un análisis común de sensibilidad de los Coeficientes
de la Función Objetivo (denominados Coeficientes de Costos) y el RHS de
las restricciones. A continuación, presentamos una explicación de los
resultados del paquete LINDO.

Supóngase que usted desea correr el Problema del Carpintero. Inicie el

paquete LINDO (o WinQSB). Desde el teclado escriba lo siguiente en la
venta actual:

MAX 5X1 + 3X2

S.T. 2X1 + X2  40
X1 + 2X2  50
End

{MAX 5X1 + 3X2, Sujeta a 2X1 + X2  40 X1 + 2X2  50, Fin }

NOTA:

1. La función objetivo no debería contener ninguna restricción. Por

ejemplo, no se puede ingresar Max 2X1 + 5.
2. Todas las variables deben aparecer en el lado izquierdo de las
restricciones, mientras que los valores numéricos deben aparecer
en el lado derecho de las restricciones (es por eso que a estos
números se los denomina valores RHS o valores del lado derecho).
 3. Se presupone que todas las variables son no negativas. No ingrese
las condiciones de no negatividad.

Si desea obtener todas Tablas Simplex, entonces

 Haga clic en "Reports" (Informes) y luego elija "Tableau" (Tabla),

luego haga clic en "Solve" (Resolver) y elija "Pivot" haga clic en
"OK" (Aceptar), "Close" (Cerrar), "Cancel" (Cancelar), continúe
de esta manera hasta que aparezca el mensaje "Do? Range
(Sensitivity) Analysis" (Desea realizar un análisis de rango [de
sensibilidad]?). Seleccione "Yes" (Sí), si lo desea. Después de
minimizar la ventana actual, verá el resultado que puede imprimir
para su análisis gerencial.
 De lo contrario, haga clic en "Solve" (Resolver), y luego elija
"Solve" (Resolver).

Es conveniente copiar el problema de PL de la primera ventana y luego

pegarlo en la parte superior de la página de resultado.

En la parte superior de la página aparece la tabla inicial y a lo largo de la

parte superior de la tabla figuran las variables. La primera fila de la tabla
es la función objetivo. La segunda fila es la primera restricción. La tercera
fila es la segunda restricción y así sucesivamente hasta enumerar todas las
restricciones en la tabla.

Después de la tabla inicial aparece un enunciado que indica la variable de

entrada y la variable de salida. La variable de salida está expresada como
la fila donde se colocará la variable de entrada. Luego se imprime la
primera tabla de iteraciones. Se sigue ingresando sentencias y continúan
las iteraciones de la tabla continúan hasta llegar a la solución óptima.

La siguiente sentencia, `LP OPTIMUM FOUND AT STEP 2' (OPTIMO

DE PL ENCONTRADO EN EL PASO 2) indica que se encontró la
solución óptima en la iteración 2 de la tabla inicial. Inmediatamente
debajo aparece el óptimo del valor de la función objetivo. Este es el dato
más importante que le interesa a todo gerente.

Muchas veces, aparecerá un mensaje que lo sorprenderá: "LP OPTIMUM

FOUND AT STEP 0" (OPTIMO DE PL ENCONTRADO EN EL PASO
0). ¿Cómo puede ser paso 0? ¿No es necesario primero desplazarse para
encontrar un resultado...? Este mensaje es muy confuso. Lindo lleva un
registro en su memoria de todas la actividades previas realizadas antes de
resolver cualquier problema que usted ingrese. Por lo tanto, no muestra
exactamente cuántas iteraciones fueron necesarias para resolver el
problema en cuestión. A continuación presentamos una explicación
detallada y una solución para saber con exactitud la cantidad de
iteraciones: Supóngase que usted corre el problema más de una vez o
resuelve un problema similar. Para saber cuántas iteraciones lleva
realmente resolver un problema en particular, debe salir de Lindo y luego
reingresar, volver a escribir y a presentar el problema. De esta manera
aparecerá la cantidad exacta de vértices (excluyendo el origen) visitados
para llegar a la solución óptima (si es que existe) en forma correcta.

Después de esto sigue la solución del problema, es decir la estrategia para

fijar las variables de decisión a fin de lograr el valor óptimo antes
mencionado. Esto aparece con una columna de variables y una columna de
valores. La columna de valores contiene la solución del problema. La
reducción de costos asociada con cada variable se imprime a la derecha de
la columna de valores. Estos valores se toman directamente de la tabla
simplex final. La columna de valores proviene del RHS. La columna de
reducción de costos proviene directamente de la fila indicadora.

Debajo de la solución, aparecen los valores de las variables de holgura /

excedente de la tabla final. Los valores de las variables de holgura /
excedente para la solución final figuran en la columna `SLACK OR
SURPLUS' (HOLGURA O EXCEDENTE). Los precios sombra
relacionados aparecen a la derecha. Recuerde: Holgura representa la
cantidad que sobra de un recurso y Excedente representa el exceso de
producción.

La restricción obligatoria se puede encontrar buscando la variable de

holgura / excedente con el valor de cero. Luego, examine cada restricción
para encontrar la que tenga sólo esta variable especificada. Otra manera de
expresar esto es buscar la restricción que exprese igualdad en la solución
final.

Debajo, aparece el análisis de sensibilidad de los coeficientes de costos (es

decir de los coeficientes de la función objetivo). Cada parámetro de
coeficiente de costos puede variar sin afectar la solución óptima actual. El
valor actual del coeficiente se imprime junto con los valores de límite
superior e inferior permitidos para que la solución siga siendo óptima.

Debajo aparece el análisis de sensibilidad para el RHS. La columna de

"filas" imprime el número de fila del problema inicial. Pro ejemplo, la
primera fila impresa será la dos porque la fila uno es la función objetivo.
La primera restricción es la fila dos. El RHS de la primera restricción está
representado por la fila dos. A la derecha, aparecen los valores para los
cuales el valor RHS puede cambiar manteniendo la validez de los precios
sombra.

Nótese que en la tabla simplex final, los coeficientes de las variables de

holgura / excedente en la fila objetivo proporcionan la unidad del valor del
recurso. Estos números se denominan precios sombra o precios duales.
Debemos tener cuidado al aplicar estos números. Sólo sirven para
pequeños cambios en las cantidades de recursos (es decir, dentro de los
rangos de sensibilidad del RHS).

Cómo crear condiciones de no negatividad (variables libres): Por omisión,

prácticamente todos los paquetes de software de resolución de problemas
de PL (como por ejemplo LINDO) presuponen que todas las variables son
no negativas.

Para cumplir con este requerimiento, convierta cualquier variable no

restringida Xj en dos variables no negativas reemplazando cada Xj por y -
Xj. Esto aumenta la dimensionalidad del problema sólo en uno (introducir
una variable y) independientemente de cuántas variables sean no
restringidas.

Si cualquier variable Xj está restringida a ser no positiva, reemplace cada

Xj por - Xj. Esto reduce la complejidad del problema.

Resuelva el problema convertido y luego vuelva a ingresar los valores de

las variables originales.

Ejemplos Numéricos

Maximizar -X1
sujeta a:
X1 + X2  0,
X1 + 3X2  3.

El problema convertido es:

Maximizar -y + X1
sujeta a:
-X1 - X2 + 2y  0,
-X1 - 3X2 + 4y  3,
X1  0,
X2  0,
and y  0.

La solución óptima para las variables originales es: X1 = 3/2 - 3 = -3/2,

X2 = 3/2 - 0 = 3/2, con valor óptimo de 3/2.

Para detalles acerca de los algoritmos de solución, visite el sitio Web

Artificial-Free Solution Algorithms, ejemplo N° 7.
Implementaciones de Computación con el Paquete WinQSB

Utilice el módulo LP/ILP de su paquete WinQSB para cumplir dos

objetivos: resolver grandes problemas y realizar experimentos numéricos
para comprender los conceptos presentados en las secciones LP y ILP.

Tipo de variable: seleccione el tipo de variable desde la pantalla

"Problem Specification" (Especificación del Problema) (la primera
pantalla que aparece al ingresar un nuevo problema); para programación
lineal, utilice la opción predeterminada "Continuous" (Continua).

Formato de datos de entrada: seleccione el formato de datos de entrada

desde la pantalla "Problem Specification" (Especificación del Problema).
Normalmente, es preferible utilizar el formato Matrix (Matriz) para
ingresar los datos. En el formato Normal, el modelo aparece ya ingresado.
Este formato puede ser más conveniente cuando se debe resolver un
problema grande con muchas variables. Puede desplazarse por los
formatos seleccionando el botón "Switch to the…" (Cambiar a ...) del
menú Format (Formato).

Identificación de Variables / Restricciones: es conveniente cambiar los

nombres de las variables y las restricciones para facilitar la identificación
del contexto que representan. Los nombres de las variables y las
restricciones se pueden cambiar desde el menú Edit (Edición).

Autoajuste de ancho de columnas (Best Fit): Con el botón "best fit" del
menú Format (Formato) cada columna puede tener su propio ancho.

Resolver buscando la solución óptima (si es que existe): Seleccione

"Solve the problem" (Resolver el problema) desde el menú "Solve and
Analyze" (Resolver y Analizar), o utilice el ícono "Solve" (Resolver) que
se encuentra en la parte superior de la pantalla. Esto genera un "Combined
Report" (Informe Combinado) que brinda la solución y los resultados
adicionales (reducción de costos, rangos de optimalidad, holgura /
excedente, rango de factibilidad y precios sombra).

Resolver mediante el Método Gráfico: seleccione el método gráfico

desde el menú "Solve and Analyze" (Resolver y Analizar) (sólo se puede
utilizar para problemas de dos variables). También puede hacer clic en el
ícono Graph (Gráfico) en la parte superior de la pantalla. Puede ajustar los
rangos X-Y después de resolver el problema y de que aparezca el gráfico.
Elija el menú Option (Opción) y seleccione los nuevos rangos desde la
lista desplegable.

Soluciones Optimas Alternas (si es que existen): después de resolver el

problema, si aparece un mensaje que le informa: "Alternate solution
exists!!" (¡¡Existe una solución alterna!!), para ver todas las soluciones
óptimas de los puntos extremos elija el menú Results (Resultados) y luego
seleccione "Obtain alternate optimal" (Obtener óptimo alterno). Visite
también la sección Soluciones Múltiples de este sitio Web para ver
algunas advertencias.

Notas:

Utilice el archivo de Ayuda ("Help") del paquete WinQSB para aprender

cómo funciona.

Para ingresar problemas en el software QSB; para una restricción tal como
X1 + X2  50, el coeficiente es 1 y debe ingresarse de esta manera en el
software. Para cualquier variable que no se utilice en esa restricción en
particular (por ejemplo si el problema tuviera X3 pero no fuera parte de la
restricción mencionada) simplemente deje la celda en blanco para esa
restricción.

Puede cambiar la dirección de una restricción haciendo clic en la celda.

Para construir el dual de un determinado problema, haga clic en Format

(Formato), luego seleccione "Switch to the Dual Form" (Cambiar a la
forma dual).

¿Cómo Resolver un Sistema de Ecuaciones Lineales Utilizando un

Software de PL?

Ya dijimos que en el Método Algebraico de resolución de problemas de

PL, debemos resolver algunos sistemas de ecuaciones. Por consiguiente,
existe un vínculo entre los paquetes de software para resolver problemas
de PL y aquellos que sirven para resolver sistemas de ecuaciones.
Supóngase que tenemos un sistema de ecuaciones muy grande que
queremos resolver y tenemos un paquete de software de resolución de
problemas de PL pero no tenemos ningún paquete de resolución de
sistemas de ecuaciones. La pregunta es "¿Cómo se puede utilizar un
paquete de software de PL para encontrar la solución de un sistema de
ecuaciones?" Los siguientes pasos esbozan el proceso de resolución de
cualquier sistema de ecuaciones lineales mediante un paquete de
resolución de problemas de PL.

1- Debido a que los paquetes de resolución de problemas de PL requieren

que todas las variables sean no negativas, por cada variable substituya Xi
= Yi - T en todas partes.
2- Cree un objetivo artificial, como por ejemplo minimizar T
3- Las restricciones del problema de PL son las ecuaciones del sistema
después de las sustituciones mencionadas en el paso 1.

Ejemplo numérico: resolver el siguiente sistema de ecuaciones

2X1 + X2 = 3
X1 -X2 = 3

Dado que el paquete WinQSB acepta PL en diversos formatos (a

diferencia de LINDO), la resolución del problema utilizando WinQSB es
sencilla:

Primero, cree una PL con un objetivo artificial como por ejemplo Max X1,
sujeta a 2X1 + X2 = 3, X1 - X2 = 3, y tanto X1 como X2 sin restricción de
signo. Luego, ingrese esta PL en el módulo LP/ILP para arribar a la
solución.

Si usted utiliza un paquete de software de PL que requiere que todas las

variables sean no negativas, primero substituya X1 = Y1 - T y X2 = Y2 -
T en ambas ecuaciones. También necesitamos una función objetivo.
Fijemos una función objetivo artificial como por ejemplo minimizar T. El
resultado es la siguiente PL:

Min T

Sujeta a:
2Y1 + Y2 - 3T = 3,
Y1 - Y2 = 3.

Utilizando cualquier software de PL, como Lindo o WinQSB, llegamos a

la solución óptima Y1 = 3, Y2 = 0, T = 1. Ahora, sustituya esta solución
de PL en ambas transformaciones X1 = Y1 - T y X2 = Y2 - T. Esto nos da
los valores numéricos para nuestras variables originales. Por ende, la
solución del sistema de ecuaciones es X1 = 3 - 1 = 2, X2 = 0 - 1 = -1, la
cual se puede verificar fácilmente.

Problema Dual: Construcción y Significado

Asociado a cada problema (primario) de PL existe un problema

correspondiente denominado problema dual. La siguiente clasificación de
las restricciones de las variables de decisión resulta útil y fácil de recordar
para construir el problema dual.

------------------------------------------------------------------------------
 Construcción del Problema Dual
Objetivo: Max (por Objetivo: Min (por
ejemplo las utilidades) ejemplo los costos)
Tipos de restricciones: Tipos de restricciones:
 una restricción usual una restricción usual
= una restricción limitada = una restricción limitada
(estricta) (estricta)
 una restricción inusual una restricción inusual
Tipos de variables:
 0 una condición
usual
... sin restricción de
signo
 0 una condición
inusual
---------------------------------------------------------------------------

Existe una correspondencia uno a uno entre el tipo de restricción y el tipo

de variable utilizando esta clasificación de restricciones y variables tanto
para los problemas primarios como los duales.

Construcción de Problemas Duales:

- Si el problema primario es un problema de maximización, entonces su

problema dual es un problema de minimización (y viceversa).

- Utilice el tipo de variable de un problema para determinar el tipo de

restricción del otro problema.

- Utilice el tipo de restricción de un problema para determinar el tipo de

variable del otro problema.

-Los elementos RHS de un problema se transforman en los coeficientes de

la función objetivo del otro problema (y viceversa).

- Los coeficientes de la matriz de las restricciones de un problema son la

transposición de los coeficientes de la matriz de las restricciones del otro
problema.

Puede verificar las reglas de construcción del problema dual utilizando su

paquete WinQSB.

Ejemplos Numéricos:

Considere el siguiente problema primario:

min x1 - 2x2
sujeta a:
x1 + x2  2,
x1 - x2  -1,
x2  3,
x1, x2  0.

Siguiendo la regla de construcción antes mencionada, el problema dual es:

max 2u1 - u2 + 3u3

sujeta a:
u1 + u2  1,
u1 - u2 + u3  -2,
u1  0,
u2  0,
u3  0

El Problema Dual del Problema del Carpintero:

Maximizar 5X1 + 3X2

sujeta a:
2X1 + X2  40
X1 + 2X2  50
X1  0
X2  0

El problema dual es:

Minimizar 40U1 + 50U2

Sujeta a:
2U1 + U2  5
U1 + 2U2  3
U1  0
U2  0

Aplicaciones: usted puede utilizar la dualidad en una amplia gama de

aplicaciones tales como:

- En algunos casos, puede ser más eficiente resolver el problema dual que
el primario.

- La solución dual proporciona una interpretación económica importante

tal como los precios sombra (es decir, los valores marginales de los
 elementos RHS) que son los multiplicadores Lagrangianos que
demuestran una cota (estricta) del valor óptimo del problema primario y
viceversa. Históricamente, el precio sombra se definió como la mejora en
el valor de la función objetivo por aumento unitario en el lado derecho,
porque el problema generalmente adoptaba la forma de una mejora de
maximización de utilidades (es decir, un aumento). El precio sombra
puede no ser el precio de mercado. El precio sombra es por ejemplo el
valor del recurso bajo la "sombra" de la actividad comercial. Se puede
realizar un análisis de sensibilidad,es decir un análisis del efecto de
pequeñas variaciones en los parámetros del sistema sobre las medidas de
producción, calculando las derivadas de las medidas de producción con
respecto al parámetro.

- Si una restricción en un problema no es obligatoria (en otras palabras, el

valor LHS o valor del lado izquierdo) concuerda con el valor RHS), la
variable asociada en el problema es cero. De manera inversa, si una
variable de decisión en un problema no es cero, la restricción asociada en
el otro problema es obligatoria. A estos resultados se los conoce como
Condiciones Complementarias de Holgura.

- Obtener el rango de sensibilidad del RHS de un problema partiendo del

rango de sensibilidad del coeficiente de costos del otro problema y
viceversa.

El Problema Dual del Problema del Carpintero y su Interpretación

En esta sección, construiremos el Problema Dual del Problema del

Carpintero y presentaremos la interpretación económica del mismo.

Recordemos los parámetros de entrada no controlables del Problema del

Carpintero:

Datos de entrada no
controlables
Mesas Sillas Disponible
Mano de
2 1 40
obra
Materia
1 2 50
prima
Ingresos
5 3
netos

Y su formulación de PL
Maximizar 5 X1 + 3 X2

Sujeta a:
2 X1 + X2  40 restricción de mano de obra
X1 + 2 X2  50 restricción de materiales
tanto X1 como X2 son no negativas.

Donde X1 y X2 representan la cantidad de mesas y sillas a fabricar.

Supóngase que el Carpintero desea contratar un seguro para sus ingresos

netos. Digamos que:

U1 = el monto en dólares pagadero al Carpintero por cada hora de trabajo

perdida (por enfermedad, por ejemplo),

U2 = el monto en dólares pagadero al Carpintero por cada unidad de

materia prima perdida (por incendio, por ejemplo).

Por supuesto que el corredor de seguros intenta minimizar el monto total

de US$(40U1 + 50U2) pagadero al Carpintero por la Compañía de
Seguros. Sin embargo, como es de esperar, el Carpintero fijará las
restricciones (es decir las condiciones) para que la compañía de seguros
cubra toda su pérdida que equivale a sus ingresos netos debido a que no
puede fabricar los productos. En consecuencia, el problema de la
compañía de seguros es:

Minimizar 40 U1 + 50 U2
Sujeta a:
2U1 + 1U2  5 ingresos netos por una mesa
1U1 + 2U2  3 ingresos netos por una silla
U1, U2 son no negativas.

Si implementa este problema en un paquete de software, verá que la

solución óptima es U1 = US$7/3 y U2 = US$1/3 con el valor óptimo de
US$110 (el monto que el Carpintero espera recibir). Esto asegura que el
Carpintero pueda manejar su vida sin inconvenientes. El único costo es la
prima que le cobra la compañía de seguros.

Como puede ver, el problema de la compañía de seguros está

estrechamente relacionado con el problema original.

Según la terminología del proceso de diseño de modelos de IO/CA, el

problema original se denomina Problema Primario mientras que el
problema relacionado se denomina Problema Dual
Tal como vimos en el Problema del Carpintero y su Problema Dual, el
Valor Optimo es siempre el mismo para ambos problemas. Esto se
denomina Equilibrio Económico entre el Problema Primario y el Problema
Dual.

Errores de Redondeo cometido por los Gerentes: tenga cuidado siempre

que redondee el valor de los precios sombra. Por ejemplo, el precio
sombra de la restricción de recursos en el problema anterior es 8/3, por
ende, si usted desea comprar más de este recurso, no debería pagar más de
US$2.66. Sin embargo, siempre que usted quiera vender cualquier unidad
de este recurso, no debería hacerlo a un precio inferior a US$2.67.

Podría darse un error similar si usted redondea en los límites de los rangos
de sensibilidad. Como siempre, hay que prestar atención porque el límite
superior e inferior deben redondearse para abajo y para arriba,
respectivamente.

Cálculo de los Precios Sombra

Ahora ya sabe que los precios sombra son la solución del problema
dual. Aquí tenemos un ejemplo numérico.

Calcule el precio sombra para ambos recursos en el siguiente problema de

PL:

Max -X1 + 2X2

sujeta a:
X1 + X2  5
X1 + 2X2  6
tanto X1 como X2 son no negativas.

La solución de este problema primario (utilizando por ejemplo el método

gráfico) es X1 = 0, X2 = 3, con el sobrante S1 = 2 del primer recurso
mientras que el segundo recurso se utiliza por completo, S2 = 0.

Los precios sombra son la solución del problema dual:

Min 5U1 + 6U2

Sujeta a:
U1 + U2  -1
U1 + 2U2  2
tanto U1 como U2 son no negativas.
La solución del problema dual (utilizando por ejemplo el método gráfico)
es U1 = 0, U2 = 1 que son los precios sombra para el primer y el segundo
recurso, respectivamente. Fíjese que siempre que la holgura / excedente de
una restricción no es cero, el precio sombra relacionado con ese RHS de la
restricción es siempre cero, pero puede no darse el caso contrario. En
este ejemplo numérico S1 = 2 (es decir, el valor de holgura del RHS 1 del
problema primario), que no es cero; por lo tanto U1 es igual a cero tal
como es de esperar.

Considere el siguiente problema:

Max X1 + X2
sujeta a:
X1  1
X2  1
X1 + X2  2
todas las variables de decisión  0.

Utilizando un paquete de software, puede verificar que el precio sombra

para el tercer recurso es cero, mientras que no hay sobrante de ese recurso
en la solución óptima X1 =1, X2 = 1.

Comportamiento de los Cambios en los Valores RHS del Valor

Optimo

Para estudiar los cambios direccionales en el valor óptimo con respecto a

los cambios en el RHS (sin restricciones redundantes y con todos los RHS
0) distinguimos los dos casos presentados a continuación:

Caso I: Problema de Maximización

Para restricción de  : cambio en la misma dirección. Vale decir que un

aumento en el valor RHS no produce una disminución en el valor óptimo
sino que éste aumenta o permanece igual según la restricción sea
obligatoria o no obligatoria.

Para restricción de  : cambio en la dirección opuesta. Vale decir que un

aumento en el valor RHS no produce un aumento en el valor óptimo sino
que éste disminuye o permanece igual según la restricción sea obligatoria
o no obligatoria.

Para restricción de =: el cambio puede ser en cualquier dirección (ver la

sección Más por Menos en este sitio).
Caso II: Problema de Minimización

Para restricción de  : cambio en la dirección opuesta. Vale decir que un

aumento en el valor RHS no produce un aumento del valor óptimo sino
que éste disminuye o permanece igual según la restricción sea obligatoria
o no obligatoria).

Para restricción de  : cambio en la misma dirección. Vale decir que un

aumento en el valor RHS no produce una disminución del valor óptimo
sino que éste aumenta o permanece igual según la restricción sea
obligatoria o no obligatoria.

Para restricción de =: el cambio puede ser en cualquier dirección (ver la

sección Más por Menos en este sitio).

Interpretación Incorrecta del Precio Sombra

El Precio Sombra nos indica cuánto cambiará la función objetivo si

cambiamos el lado derecho de la correspondiente restricción. Esto
normalmente se denomina "valor marginal", "precios duales" o "valor
dual" para la restricción. Por lo tanto, el precio sombra puede no coincidir
con el "precio de mercado".

Por cada restricción del RHS, el Precio Sombra nos indica exactamente
cuánto cambiará la función objetivo si cambiamos el lado derecho de la
restricción correspondiente dentro de los límites fijados por el rango de
sensibilidad del RHS.

Por consiguiente, por cada valor RHS, el precio sombra es el coeficiente

del cambio en el valor óptimo causado por cualquier aumento o
disminución admisible en el RHS dentro del cambio admisible.

Precio Sombra = Cambio en el Valor Optimo / Cambio en el RHS,

Dado que el cambio en el RHS está dentro del rango de sensibilidad.

Desafortunadamente, existen interpretaciones erróneas con respecto a la

definición del precio sombra. Una de ellas indica: "En los problemas de
programación lineal, el precio sombra de una restricción es la diferencia
entre el valor optimizado de la función objetivo y el valor de la función
objetivo, evaluada de manera opcional, cuando el RHS de una restricción
aumenta en una unidad". El último sitio Web establece lo siguiente
"Precios Sombra: los precios sombra para un problema de programación
lineal son las soluciones para su correspondiente problema dual. El precio
sombra i° es el cambio en la función objetivo que resulta del aumento en
una unidad en la coordenada i° de b. Un precio sombra también es el
monto que un inversor tendría que pagar por una unidad de un recurso
para comprarle la parte al fabricante."

Un anti-ejemplo:

Considere la siguiente PL:

Max X2

sujeta a:
X1 + X2  2
2.5X1 + 4X2  10
Donde ambas variables de decisión son no negativas.

El problema tiene su solución óptima en (0, 2) con un valor óptimo de 2.

Supóngase que quiere calcular el precio sombra del primer recurso, es
decir el RHS de la primera restricción.

Si cambiamos el RHS de la primera restricción aumentándolo en una

unidad tenemos:

Max X2
sujeta a:
X1 + X2  3
2.5X1 + 4X2  10
donde ambas variables de decisión son no negativas.

El nuevo problema tiene la solución óptima (0, 2.5) con un valor óptimo
de 2.5.

Entonces, pareciera "como si" el precio sombra de este recurso es 2.5 - 2 =

0.5. De hecho, el precio sombra de este recurso es 1, el cual se puede
verificar construyendo y resolviendo el problema dual.

El motivo de este error se torna obvio si observamos que el aumento

admisible para mantener la validez del precio sombra del primer recurso
es 0.5. El aumento en 1 excede el cambio admisible del primer valor RHS.

Ahora supóngase que cambiamos el mismo valor RHS en + 0.1 que es

admisible. Entonces el valor óptimo del nuevo problema es 2.1. Por
consiguiente, el precio sombra es (2.1 -2) / 0.1 = 1. Es necesario prestar
mucha atención al calcular los precios sombra.

Si usted quiere calcular el precio sombra de un valor RHS sin tener su

rango de sensibilidad, puede obtener los valores óptimos de dos
perturbaciones como mínimo. Si el índice de cambio en ambos casos
arroja los mismos valores, entonces este índice es realmente el precio
sombra. A modo de ejemplo, supóngase que perturbamos el RHS de la
primera restricción en +0.02 y -0.01. Si resolvemos el problema después
de estos cambios utilizando un software de PL, obtenemos los valores
óptimos de 2.02 y 1.09, respectivamente. Como el valor óptimo para el
problema nominal (sin ninguna perturbación) es igual a 2, el índice de
cambio para los dos casos es: (2.02 - 2)/0.02 = 1, y (1.09 - 2)/(-0.01) = 1,
respectivamente. Como estos dos índices coinciden, podemos concluir que
el precio sombra del RHS de la primera restricción es de hecho igual a 1.

¿El Precio Sombra es Siempre No Negativo?

Probablemente se esté preguntando si el precio sombra de un valor RHS es

siempre no negativo. Todo depende de la formulación del problema
primario y de su correspondiente dual. Lo importante es recordar que el
precio sombra de un determinado valor RHS es el índice de cambio del
valor óptimo con respecto al cambio en ese RHS, dado que el cambio se
encuentra dentro de los límites de ese RHS.

Considere el siguiente ejemplo numérico:

Max 3X1 + 5X2

Sujeta a:
X1 + 2X2  50
-X1 + X2  10
X1, X2 son no negativas.

Nos interesa saber el precio sombra del valor del RHS 2 = 10. El problema
dual es:

Min 50U1 + 10U2

Sujeta a:
U1 - U2  3
2U1 + U2  5
U1  0, mientras que U2  0

Esto se puede verificar con el software WinQSB. La solución del

problema dual es U1 = 8/3, U2 = -1/3. Por lo tanto, el precio sombra del
valor RHS 2 = 10 es U2 = -1/3. Es decir que por cada aumento
(disminución) unitario en el RHS2, el valor óptimo del problema primario
disminuye (aumenta) en 1/3, dado que el cambio en RHS 2 está dentro de
los límites de sensibilidad.

Para otra versión del mismo problema primario, fíjese que el problema
puede escribirse de la misma manera, cambiando la dirección de la
segunda restricción de desigualdad:
Max 3X1 + 5X2
Sujeta a:
X1 + 2X2  50
X1 - X2  -10
X1, X2 son no negativas.

El problema dual de este problema primario ahora es:

Min 50Y1 - 10Y2

Sujeta a:
Y1 + Y2  3
2Y1- Y2  5
tanto Y1 como Y2 son no negativas

Nuevamente, la formulación dual puede verificarse utilizando el software

WinQSB. La solución de este problema dual es Y1 = 8/3 y Y2 = 1/3.
Entonces, el precio sombra del valor del RHS 2 = -10 es Y2 = 1/3. Vale
decir que por cada aumento (disminución) unitario en el valor RHS 2, el
valor óptimo del problema primario aumenta (disminuye) en 1/3, dado que
el cambio en RHS 2 esta dentro de los límites de sensibilidad.

Como ya debe haber notado, ambos problemas duales son iguales al

sustituir U1 = Y1, y U2 = -Y2. Esto significa que los precios sombra
obtenido para RHS 2 = 10, y RHS 2 = -10 tienen el mismo valor con el
signo opuesto (como es de esperar). Por ende, , el signo del precio sombra
depende de cómo se formule el problema dual , aunque el significado y su
interpretación son siempre los mismos.

Precios Sombra Alternativos

Supóngase que tenemos una PL que tiene una única solución óptima. ¿Es
posible tener más de un conjunto de precios duales?

Sí, es posible. Considere el siguiente problema:

Min 16X1 + 24X2

sujeta a:
X1 + 3X2  6
2X1 + 2X2  4
todas las variables de decisión  0.

Su dual es:

Max 6U1 + 4U2

sujeta a:
U1 + 2U2  16
3U1 + 2U2  24
todas las variables de decisión  0,

Este problema dual tiene diversas soluciones alternativas, tales como, (U1
= 8, U2 = 0) y (U1 = 4, U2 = 6). Todas las combinaciones convexas de
estos dos vértices también son soluciones.

Existen casos generales para los cuales los precios sombra no son únicos.
Como en el ejemplo anterior, siempre que exista redundancia entre las
restricciones, o si la solución óptima es "degenerada", puede haber más de
un conjunto de precios duales. En general, las restricciones lineales
independientes son condición suficiente para que exista un único precio
sombra.

Considere el siguiente problema de PL con una restricción redundante:

Max 10X1 + 13X2

sujeta a:
X1 + X2 = 1
X1 + X2 = 1
X1+2X2 = 2
y todas las variables son no negativas.

Si corremos el problema dual en Lindo vemos que X1 = 0, X2 = 1, con

precios sombra (0, 13, 0).

Si utilizamos WinQSB para este problema, obtenemos X1 = 0, X2 = 1 con

distintos precios sombra (0, 7, 3).

En el caso de redundancia, los precios sombra obtenidos con un paquete

de PL pueden no coincidir con aquellos obtenidos con otro paquete de
software.

Manejo de Incertidumbres mediante Modelación de Escenarios:

Análisis de Sensibilidad y Análisis de Especificidad

El entorno comercial muchas veces es impredecible e incierto debido a

factores tales como cambios económicos, reglamentaciones públicas,
dependencia de subcontratistas y proveedores, etc. Los gerentes
generalmente se ven inmersos en un entorno dinámico e inestable donde
aun los planes a corto plazo deben re-evaluarse constantemente y ajustarse
de manera incremental. Todo esto requiere una mentalidad orientada al
cambio para hacer frente a las incertidumbres. Recuerde que las sorpresas
no forman parte de una decisión sólida.
El hombre utiliza construcciones (modelos) matemáticas e informáticas
para una variedad de entornos y propósitos, con frecuencia para conocer
los posibles resultados de uno o más planes de acción. Esto puede
relacionarse con inversiones financieras, alternativas de seguros (asegurar
o no asegurar/cuánto), prácticas industriales e impactos ambientales. El
uso de modelos se ve perjudicado por la inevitable presencia de
incertidumbres, que surgen en distintas etapas, desde la construcción y
corroboración del modelo en sí hasta su uso. Normalmente su uso es el
culpable.

Toda solución a un problema de toma de decisiones se basa en

determinados parámetros que se presumen como fijos. El análisis de
sensibilidad es un conjunto de actividades posteriores a la solución que
sirven para estudiar y determinar qué tan sensible es la solución a los
cambios en las hipótesis. Estas actividades también se denominan análisis
de estabilidad, análisis what-if o de hipótesis, modelación de escenarios,
análisis de especificidad, análisis de incertidumbre, análisis de
inestabilidad numérica, inestabilidad funcional y tolerancia, análisis de
post optimalidad, aumentos y disminuciones admisibles y muchos otros
términos similares que reflejan la importancia de esta etapa del proceso de
modelación. Por ejemplo, análisis de sensibilidad no es el término típico
empleado en la econometría para referirse al método de investigación de la
respuesta de una solución frente a perturbaciones en los parámetros. En
econometría, esto se denomina estática comparativa o dinámica
comparativa, según el tipo de modelo en cuestión.

Se puede hacer frente a las incertidumbres de una manera más

"determinista". Este abordaje tiene distintos nombres tales como
"modelación de escenarios", "modelación determinista", "análisis de
sensibilidad" y "análisis de estabilidad". La idea es generar, de manera
subjetiva, una lista ordenada de incertidumbres importantes que
supuestamente podrían tener un mayor impacto sobre el resultado final.
Esto se lleva acabo antes de focalizarse en los detalles de cualquier
"escenario" o modelo.

Resulta vital comprender la influencia de lo antedicho en el plan de acción

sugerido por el modelo por las siguientes razones:

Pueden presentarse distintos niveles de aceptación (por el público en

general, por los decisores, por las partes interesadas) a distintos tipos de
incertidumbre.
Distintas incertidumbres tienen distintos impactos sobre la confiabilidad,
robustez y eficiencia del modelo.
La relevancia del modelo (su correspondencia con la tarea) depende en
gran medida del impacto de la incertidumbre sobre el resultado del
análisis. Las sorpresas no forman parte de las decisiones óptimas sólidas.

Existen numerosos ejemplos de entornos donde esto es aplicable, tales

como:

 Construcción de indicadores (económicos / ambientales)

 Análisis y pronóstico de riesgo (ambiental, financiero, de
seguros,...)
 Optimización y calibración de modelos (per se)

A continuación, sigue una lista abreviada de las razones por las cuales se
debe tener en cuenta el análisis de sensibilidad:

Toma de decisiones o desarrollo de recomendaciones para decisores:

 Para probar la solidez de una solución óptima. Las sorpresas no

forman parte de las decisiones óptimas sólidas.
 Para identificar los valores críticos, umbrales, o valores de
equilibrio donde cambia la estrategia óptima.
 Para identificar sensibilidad o variables importantes.
 Para investigar soluciones sub-óptimas.
 Para desarrollar recomendaciones flexibles que dependan de las
circunstancias.
 Para comparar los valores de las estrategias de decisión simples y
complejas.
 Para evaluar el riesgo de una estrategia o escenario.

Comunicación:

 Para formular recomendaciones más creíbles, comprensibles,

contundentes o persuasivas.
 Para permitir a los decisores seleccionar hipótesis.
 Para comunicar una falta de compromiso a una única estrategia.
 El decisor debe incorporar algunas otras perspectivas del problema
tal como perspectivas culturales, políticas, psicológicas, etc. en las
recomendaciones del científico de administración.

Aumentar la comprensión o aptitud del sistema:

 Para estimar la relación entre las variables de entrada y las de

salida.
 Para comprender la relación entre las variables de entrada y las de
salida. Para desarrollar pruebas de las hipótesis.
Desarrollo del modelo:

 Para probar la validez o precisión del modelo.

 Para buscar errores en el modelo
 Para simplificar el modelo.
 Para calibrar el modelo.
 Para hacer frente a la falta o insuficiencia de datos.
 Para priorizar la adquisición de información.

Lista abreviada de casos en los que se debe considerar la realización

de un análisis de sensibilidad:

1. Con el control de los problemas, el análisis de sensibilidad puede

facilitar la identificación de regiones cruciales en el espacio de los
parámetros de entrada.
2. En ejercicios de selección, el análisis de sensibilidad sirve para
localizar algunos parámetros influyentes en sistemas con cientos de
datos de entrada inciertos.
3. Se utilizan técnicas de análisis de sensibilidad basados en varianza
para determinar si un subconjunto de parámetros de entrada puede
representar (la mayor parte de) la varianza de salida.
4. El punto (3) puede utilizarse para la reducción del mecanismo
(descartar o corregir partes no relevantes del modelo) y para la
extracción de un modelo (construir un modelo a partir de otro más
complejo). Ver también el problema de la "relevancia" del modelo:
¿los parámetros del conjunto de entrada del modelo son relevantes
con respecto a la tarea del modelo?
5. El punto (3) también puede utilizarse para la identificación del
modelo identificando las condiciones experimentales para las
cuales su capacidad para discriminar dentro del modelo se
encuentra en su punto máximo.
6. Al igual que en el punto (5), el análisis de sensibilidad puede
utilizarse para la calibración del modelo, para determinar si los
experimentos con sus incertidumbres relacionadas permitirán la
estimación de los parámetros. Esto es particularmente útil frente a
problemas mal condicionados (mal formulados).
7. El análisis de sensibilidad puede complementarse con algoritmos
de búsqueda / optimización; identificando los parámetros más
importantes, el análisis de sensibilidad puede permitir que se
reduzca la dimensionalidad del espacio donde se realiza la
búsqueda.
8. Como una herramienta de aseguramiento de calidad, el análisis de
sensibilidad asegura que la dependencia de la salida (resultado) de
los parámetros de entrada del modelo tenga una similitud física y
una explicación.
 9. Para resolver un problema inverso, el análisis de sensibilidad sirve
como una herramienta para extraer parámetros incorporados en
modelos cuyos resultados no se correlacionan fácilmente con la
entrada desconocida (por ejemplo en cinética química, para extraer
las constantes cinéticas de sistemas complejos a partir del índice de
rendimiento de los componentes).
10. Para asignar recursos en el área de I&D de manera óptima, el
análisis de sensibilidad muestra donde vale la pena invertir a fin de
reducir el rango de incertidumbre del modelo.
11. El análisis de sensibilidad puede determinar cuantitativamente qué
parte de la incertidumbre de mi predicción se debe a incertidumbre
paramétrica de la estimación y cuánto a incertidumbre estructural.

Errores de redondeo cometido por los gerentes: como siempre, se debe

prestar atención al redondear el valor de los límites de los rangos de
sensibilidad. El límite superior y el límite inferior deben redondearse hacia
abajo y hacia arriba respectivamente para que sean válidos.

Análisis de sensibilidad vs. programación estocástica: el análisis de

sensibilidad y las formulaciones de programación estocástica son los dos
principales enfoques para manejar la incertidumbre. El análisis de
sensibilidad es un procedimiento de post optimalidad que no puede influir
en la solución. Sirve para investigar los efectos de la incertidumbre sobre
la recomendación del modelo. Por otro lado, la formulación de
programación estocástica introduce información probabilística acerca de
los datos del problema, a pesar de los primeros momentos (es decir los
valores esperados) de la distribución de la función objetivo con respecto a
la incertidumbre. Esto ignora las evaluaciones de riesgo del decisor,
caracterizadas por la varianza o el coeficiente de variación.

Cálculo de Rangos de Sensibilidad para Problemas Pequeños

Para calcular los rangos de sensibilidad de problemas de PL con 2

variables de decisión como máximo y/o 2 restricciones como máximo,
puede probar alguno de los siguientes abordajes de fácil uso.

La única restricción es que no se permiten restricciones de igualdad.Tener

una restricción de igualdad implica degeneración, porque cada restricción
de igualdad, por ejemplo, X1 + X2 = 1, significa dos restricciones
simultáneas: X1 + X2  1 , y X1 + X2  1. Entonces, la cantidad de
restricciones obligatorias en tal caso será mayor a la cantidad de variables
de decisión. Esto se denomina situación degenerada para la cual el análisis
de sensibilidad normal no es válido.
Rango de Sensibilidad de Costos para Problemas de PL con dos
Variables de Decisión

Volviendo al Problema del Carpintero, si cambiamos la ganancia de cada

producto, cambia la pendiente de la función objetivo de igual valor
(función iso). Para "pequeños" cambios, el óptimo permanece en el mismo
punto extremo. Para cambios mayores, la solución óptima se desplaza a
otro punto. Por consiguiente, tenemos que modificar la formulación y
resolver un nuevo problema.

El problema es encontrar un rango para cada coeficiente de costos c(j), de

la variable Xj, de manera que la solución óptima actual, es decir el punto
extremo actual (esquina) siga siendo óptimo.

Para un problema de PL de 2 dimensiones, puede probar el sencillo

abordaje que presentamos a continuación para saber cuál es la cantidad de
aumento/disminución de cualquier coeficiente de la función objetivo
(también conocidos como coeficientes de costos porque históricamente
durante la Segunda Guerra Mundial, el primer problema de PL fue un
problema de minimización de costos) a fin de mantener la validez de la
solución óptima actual. La única condición requerida para este abordaje es
que no se permiten restricciones de igualdad, ya que esto implicaría
degeneración, para lo cual el análisis de sensibilidad tradicional no es
válido.

Paso 1: Considere las únicas dos restricciones obligatorias de la solución

óptima actual. Si hay más de dos restricciones obligatorias, hay
degeneración, en cuyo caso el análisis de sensibilidad tradicional no es
válido.

Paso 2: Perturbe el coeficiente de costos j° por el parámetro cj (esta es la

cantidad desconocida de cambios).

Paso 3: Construya una ecuación correspondiente a cada restricción

obligatoria, como figura a continuación:

(Costo Cj perturbado) / coeficiente de Xj en la restricción = Coeficiente de

la otra variable en la función objetivo / coeficiente de esa variable de la
restricción.

Paso 4: La cantidad de aumento admisible es el cj positivo menor posible,

mientras que la disminución admisible es el cj negativo mayor posible
obtenido en el Paso 3.

Fíjese que si no hay cj positivo (negativo), la cantidad de aumento

(disminución) es ilimitada.
Advertencias:

1. Recuerde que nunca debe dividir por cero. Dividir por cero es una
falacia común en algunos libros de texto. Por ejemplo en
Introduction to Management Science, de Taylor III, B., 6th Ed.,
Prentice Hall, 1999, the author, unfortunately, divides by zero on
page 189.
Para mayores detalles y otras falacias comunes, visite el sitio Web
The zero saga & confusions with numbers . Una pregunta para
usted: ¿cuáles de estas afirmaciones son correctas y por qué?
a) cualquier número divido por cero es indefinido;
b) cero divido por cualquier número es cero; o
c) cualquier número dividido por sí mismo es 1
2. Comúnmente se cree que se puede calcular el rango de sensibilidad
al costo acotando la pendiente (perturbada) de la función objetivo
(función iso) por las pendientes de las dos líneas resultantes de las
restricciones obligatorias. Este método gráfico basado en las
pendientes está descripto en de An Introduction to Management
Science, by Anderson D., y Williams T., 9° Ed., West Publisher,
2000, (Sección 3.2). Lamentablemente, esto es confuso. Debería
advertirse que este abordaje no es general y funciona si y sólo si
los coeficientes no cambian de signo.

Por ejemplo, si aplicamos este abordaje en la construcción del

rango de sensibilidad de los coeficientes de costos del siguiente
problema;

Maximizar 5X1 + 3X2

Sujeta a: X1 + X2  2, X1 - X2  0, X1  0, X2  0

Obtenemos rangos incorrectos.

El problema del carpintero:

Maximice 5X1 + 3X2

Sujeta a:
2X1 + X2  40
X1 + 2X2  50
X1  0
X2  0

Cálculo del incremento/disminución permisibles de C1 = 5: Las

restricciones obligatorias son la primera y la segunda. Alterando este
coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3 se obtiene:
(5 + c1)/2 = 3/1, para la primera restricción, y (5 + c1)/1 = 3/2 para la
segunda restricción. Resolviendo estas dos ecuaciones se obtiene: c1 = 1 y
c1 = -3.5. Por lo tanto, el incremento permisible es 1, mientras que la
disminución permisible es 1.5. Por lo tanto, mientras el primer coeficiente
de costo C1 permanezca dentro del intervalo [ 5 - 3.5, 5 + 1] = [1.5, 6],
continúa la solución óptima actual.

De modo similar, para el segundo coeficiente de costo C2 = 3 se obtiene el

rango de sensibilidad [2.5, 10].

Consideremos el problema anterior con otro ejemplo:

Maximice 5X1 + 3X2

Sujeta a:
X1 + X2  2
X1 - X2  0
X1  0
X2  0

Cálculo del incremento/disminución permisibles de C1 = 5: Las

restricciones obligatorias son la primera y la segunda. Alterando este
coeficiente de costo por c1 se obtiene 5 + c1. En el paso 3 se obtiene:

(5 + c1)/1 = 3/1, para la primera restricción y (5 + c1)/1 = 3/(-1) para la

segunda restricción. Resolviendo estas dos ecuaciones se obtiene: c1 = -2
y c1 = -8. Por lo tanto, la disminución permisible es 2, mientras que el
incremento permisible es ilimitado. Por lo tanto, mientras el primer
coeficiente de costo C1 permanezca dentro del intervalo [ 5 - 2, 5 + ] =
[3, ], continúa la solución óptima actual.

De modo similar, para el segundo coeficiente de costo C2 = 3 se obtiene el

rango de sensibilidad [3 - 8, 3 + 2] = [-5, 5].

Rango de sensibilidad del lado derecho para problemas de PL con dos

restricciones como máximo

En el Problema del Carpintero, cuando se efectúan cambios menores en

cualquiera de los recursos, la estrategia óptima (es decir, hacer el producto
mixto) sigue siendo válida. Cuando los cambios son mayores, esta
estrategia óptima cambia y el Carpintero debe, hacer todas las mesas o las
sillas que pueda. Este es un cambio drástico de estrategia; por lo tanto,
tenemos que revisar la formulación y resolver un nuevo problema.

Además de la información necesaria que antes se mencionó, también nos

interesa saber cuánto puede vender (o comprar) el Carpintero de cada
recurso a un precio (o costo) "razonable". Es decir, ¿hasta dónde se puede
incrementar o disminuir el RHS(i) con un valor i fijo, mientras se
mantiene la validez del precio sombra corriente del RHS(i)? Es decir,
¿hasta dónde se puede incrementar o disminuir el RHS(i) con un valor i
fijo mientras se mantiene la solución óptima corriente para el problema
dual?

Históricamente, el precio sombra se definió como la mejora en el valor de

la función objetivo por incremento unitario en el lado derecho porque con
frecuencia el problema se pone en la forma de mejora de maximización de
utilidad (en el sentido de incremento).

Asimismo, con cualquier RHS, el precio sombra (también conocido como

su valor marginal), es la cantidad de cambio en el valor óptimo
proporcional a una unidad de cambio para ese RHS en particular. Sin
embargo, en algunos casos no se permite cambiar tanto el RHS. El rango
de sensibilidad del RHS proporciona los valores para los que el precio
sombra tiene significado económico y permanece sin cambios.

¿Hasta dónde se puede incrementar o disminuir cada RHS individual

manteniendo la validez de los precios sombra? Esta frase equivale a
preguntar cuál es el rango de sensibilidad para el coeficiente de costo en el
problema dual.

El dual del Problema del Carpintero es:

Minimice 40U1 + 50U2

Sujeta a:
2U1 + U2  5
U1 + 2U2  3
U1  0
U2  0

La solución óptima es U1 = 7/3 y U2 = 1/3 (que son los precios sombra).

El Problema del Carpintero:

Maximice 5X1 + 3X2

Sujeta a:
2X1 + X2  40
X1 + 2X2  50
X1  0
X2  0
Cálculo del Rango para RHS1: Las primeras dos restricciones son
obligatorias, por lo tanto:

(40 + r1)/2 = 50/ 1, y (40 + r1) / 1 = 50/ 2.

De la resolución de estas dos ecuaciones se obtiene: r1 = 60 y r1 = -15.

Por lo tanto, el rango de sensibilidad para el primer RHS en el problema
del carpintero es: [40-15, 40 + 60] = [25, 100].

De modo similar, para el segundo RHS, se obtiene: [50 - 30, 50 + 30] =

[20, 80].

Qué es la Regla del 100% (región de sensibilidad)

El rango de sensibilidad que se presentó en la sección anterior es un

análisis del tipo "what-if" o de hipótesis del tipo de "un cambio por vez".
Consideremos el problema del Carpintero; supongamos que queremos
hallar los incrementos permisibles simultáneos de RHS ( r1, r2  0). Existe
un método sencillo de aplicar que se conoce como "la regla del 100%" que
establece que los precios sombra no cambian si se da la siguiente
condición suficiente:

r1/60 + r2/30  1, 0  r1  60, 0  r2  30.

Aquí, 60 y 30 son los incrementos permisibles de los RHS, basados en la

aplicación del análisis de sensibilidad ordinario. Es decir, siempre que el
primer y el segundo RHS aumentan r1, y r2 respectivamente, mientras esta
desigualdad continúe, los precios sombra para los valores del lado derecho
permanecen sin cambios. Obsérvese que ésta es una condición suficiente
porque, si se viola esta condición, entonces los precios sombra pueden
cambiar o aún así seguir iguales. El nombre "regla del 100%" surge
evidente cuando se observa que en el lado izquierdo de la condición, cada
término es un número no negativo menor que uno, que podría
representarse como un porcentaje de cambio permisible. La suma total de
estos cambios no debería exceder el 100%.

Aplicando la regla del 100% a los otros tres cambios posibles en los RHS
se obtiene:

r1/(-15) + r2/(-30)  1, -15  r1  0, -30  r2  0.

r1/(60) + r2/(-30)  1, 0  r1  60, -30  r2  0.
r1/(-15) + r2/(30)  1, -15  r1  0, 0  r2  30.
La siguiente Figura ilustra la región de sensibilidad de ambos valores RHS
como resultado de la aplicación de la regla del 100% al problema del
Carpintero.

Desde un punto de vista geométrico, obsérvese que el poliedro con los

vértices (60, 0), (0, 30), (-15, 0) y (0,-30) en la Figura es sólo un
subconjunto de una región de sensibilidad más grande para los cambios
en ambos RHS. Por lo tanto, permanecer dentro de esta región de
sensibilidad es sólo una condición suficiente (no necesaria) para mantener
la validez de los precios sombra actuales.

Pueden obtenerse resultados similares para los cambios simultáneos de los

coeficientes de costos. Por ejemplo, supongamos que queremos hallar la
disminución permisible simultánea en 1 y los incrementos en 2, , es decir,
el cambio en ambos coeficientes de costo de 1  0 y c2  0.
La regla del 100% establece que la base corriente sigue siendo óptima
siempre que:

c1/(-3.5) + c2/7  1, -3.5  c1  0, 0  c2 7.

Donde 3.5 y 7 son la disminución y el incremento permisibles de los

coeficientes de costo 1 y C2, respectivamente, que se hallaron
anteriormente mediante la aplicación del análisis de sensibilidad ordinario.
, respectively, that we found earlier by the application of the ordinary
sensitivity analysis.

La Figura anterior también ilustra todas las otras posibilidades de

incrementar/disminuir los valores de ambos coeficientes de costos como
resultado de la aplicación de la regla del 100%, mientras se mantiene al
mismo tiempo la solución óptima corriente para el problema del
Carpintero.

Como otro ejemplo numérico, consideremos el siguiente problema:

Maximice 5X1 + 3X2

Sujeta a:
X1 + X2  2
X1 - X2  0
X1  0
X2  0

Quizás recuerden que ya hemos calculado los rangos de sensibilidad con

un cambio por vez para este problema en la sección Cálculo de Rangos de
Sensibilidad. El rango de sensibilidad para el primer coeficiente de costo
es [ 5 - 2, 5 + ] = [3, ], mientras que para el segundo coeficiente de
costo es [3 - 8, 3 + 2] = [-5, 5]. Se debería poder reproducir una figura
similar a la anterior ilustrando todas las otras posibilidades de
incrementar/disminuir ambos valores de coeficientes de costos como
resultado de la aplicación de la regla del 100%, mientras al mismo tiempo
se mantiene la solución óptima corriente para este problema.

Claramente, la aplicación de la regla del 100%, en la forma en que aquí se

la presenta, es general y puede extenderse a cualquier problema de PL de
mayor magnitud. Sin embargo, a medida que aumenta la magnitud del
problema, este tipo de región de sensibilidad se reduce y por lo tanto,
resulta menos útil para la gestión. . Existen técnicas más poderosas y útiles
(que proporcionan condiciones necesarias y suficientes a la vez) para
manejar cambios simultáneos dependientes (o independientes) de los
parámetros.

Añadir una nueva restricción

El proceso: Introduzca la solución óptima corriente en la restricción recién

añadida. Si la restricción no se viola, la nueva restricción NO afecta la
solución óptima. De lo contrario, el nuevo problema debe resolverse para
obtener la nueva solución óptima.

Suprimir una restricción

El proceso: Determine si la restricción es obligatoria (es decir, activa,

importante) hallando si el valor de holgura/excedente es cero. Si es
obligatoria, la supresión puede cambiar la solución óptima corriente.
Suprima la restricción y resuelva el problema. De lo contrario (si no es una
restricción obligatoria), la supresión no afectará la solución óptima.
Reemplazar una restricción

Supongamos que se reemplaza una restricción por una nueva. ¿Cuál es el

efecto de este intercambio?
El proceso: Determine si la restricción previa es obligatoria (es decir,
activa, importante) hallando si el valor de holgura/excedente es cero. Si es
obligatoria, el reemplazo puede afectar la solución óptima corriente.
Reemplace la restricción y resuelva el problema. De lo contrario (si no es
una restricción obligatoria), determine si la solución corriente satisface la
nueva restricción. Si la satisface, entonces este intercambio no afectará la
solución óptima. De lo contrario (si la solución corriente no satisface la
nueva restricción), reemplace la restricción anterior por la nueva y
resuelva el problema.

Añadir una variable (por ejemplo, introducir un nuevo producto)

El proceso: Construya la nueva restricción del problema solución óptima

corriente es óptima), de lo contrario produzca el nuevo producto (la
solución óptima corriente ya no es más óptima). Para determinar el nivel
de dual. Inserte la solución dual en esta restricción. Si la restricción se
satisface, NO produzca el nuevo producto (la producción del nuevo
producto (es decir, una solución óptima mejor) resuelva el siguiente
problema.

Suprimir una variable (es decir, cancelar un producto)

El proceso: Si para la solución óptima corriente, el valor de la variable

suprimida es cero, entonces la solución óptima corriente sigue siendo la
óptima sin incluir la variable. De lo contrario, suprima la variable de la
función objetivo y las restricciones, y luego resuelva el problema.

Problema de asignación óptima de recursos

Como los recursos son siempre escasos, a los gerentes les preocupa el
problema de la asignación óptima de los recursos. Se recordará que en el
Problema del Carpintero se trataron ambos recursos como parámetros, es
decir, como valores numéricos fijos:
Maximice 5 X1 + 3 X2

Sujeta a:
2 X1 + X2  40, restricción de mano de obra
X1 + 2 X2  50, restricción de material
y ambas X1, X2 son no negativas.

Recordarán asimismo que habitualmente las restricciones se clasifican

como restricciones del tipo de recurso o de producción. Es un hecho que
en la mayoría de los problemas de maximización, las restricciones de
recursos forman parte natural del problema, mientras que en el problema
de minimización, las restricciones de producción son la parte más
importante del problema.

Supongamos que desea hallar la mejor asignación del recurso mano de

obra para el Carpintero. En otras palabras, ¿cuál es el mejor número de
horas que el Carpintero debería asignar a su negocio?

Tomemos como R el número de horas asignadas, el cual se usará para

determinar su valor óptimo. Por lo tanto, el modelo matemático es hallar
R1, de modo tal que:

Maximice 5 X1 + 3 X2

Sujeta a:
2 X1 + X2  R1 restricción mano de obra
X1 + 2 X2  50 restricción de material
y todas las variables X1, X2 y R1 son no negativas.

Obsérvese que ahora R1 se trata no como un parámetro sino como una

variable de decisión. Es decir, la maximización se realiza con las tres
variables, X1, X2 y R1:

Maximice 5 X1 + 3 X2

Sujeta a:
2 X1 + X2 - R1  0 restricción de mano de obra
X1 + 2 X2  50 restricción de material
y todas las variables X1, X2 y R1 son no negativas.

Con software de PL, la solución óptima es X1 = 50, X2 = 0, con una

asignación óptima de la mano de obra de R1 = 100 horas. Así, el valor
óptimo es $250.
Asimismo, obsérvese que el valor óptimo de asignación de recursos es
siempre el mismo como límite superior del rango de sensibilidad RHS1
generado por el software.

Por ejemplo, el incremento permisible en el número de horas es 100 - 40 =

60 horas, con el adicional 250 - 110 = 140.

Incluso se puede obtener el precio sombra para este recurso usando esta
información. El precio sombra es el índice de cambio en el valor óptimo
con respecto al cambio en el lado derecho. Por lo tanto, (250 - 110)/(100 -
40) = 140/60 = 7/3, que es el precio sombra del RHS1, según se halló por
otros métodos en las secciones anteriores.

Determinación de la mínima utilidad neta del producto

En la mayoría de los casos, la utilidad neta es un factor incontrolable en un

entorno de negocios "tomador de precios". Es por ello que a los gerentes
les importa conocer cuál es la utilidad neta mínima de cada producto
determinado, que indica que su producción es rentable para empezar.

Se recordará que en el Problema del Carpintero ambas utilidades netas ($5

y $3) fueron consideradas como entradas incontrolables, es decir, que eran
valores determinados por el mercado:

Maximice 5 X1 + 3 X2

Sujeta a:
2 X1 + X2  40 restricción mano de obra
X1 + 2 X2  50 restricción material.
Y ambos, X1, X2, son no negativos.

Aquí, la estrategia óptima es X1 =10, X2 = 20, con un valor óptimo de

$110.

Supongamos que el Carpintero desea conocer el valor mínimo del primer

coeficiente en la función objetivo, que actualmente es $5, para poder
producir con rentabilidad el primer producto (las mesas).

Supóngase que la utilidad neta mínima es c1 dólares; por lo tanto, el

problema consiste en hallar c1, de manera tal que:

Maximice c1 X1 + 3 X2
Sujeta a:
2 X1 + X2  40 restricción mano de obra
X1 + 2 X2  50 restricción material.
Y todas las variables, X1, X2, c1, son no negativas.

Ahora, el problema dual del carpintero es:

Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1  c1 Utilidad neta de una mesa
1U1 + 2U2  3 Utilidad neta de una silla.
Y U1, U2, c1 son no negativas.

Se observa que ahora la utilidad neta c1 se trata como una variable de

decisión. La minimización se hace sobre las tres variables; X1, X2 y c1:

Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 - c1  0
1U1 + 2U2  3
Y U1, U2, c1 son no negativas.

La implementación de este problema en el paquete de computación

muestra que la solución óptima es U1 = $7/3, U2 = $1/3, y c1 = $1.5.

Se recordará que existen soluciones alternativas para este valor de frontera

del rango de sensibilidad para el coeficiente de costo. La solución
correspondiente al límite inferior se describe en el rango del análisis de
sensibilidad del coeficiente de costo, calculado con anterioridad en el
Problema del Carpintero. Por lo tanto, la mínima utilidad neta es siempre
la misma que el límite inferior del rango de sensibilidad del coeficiente de
costo generado por el software.

Indicadores de metas

En la mayoría de las situaciones de la vida real, al decisor puede no

interesarle la optimización, y desear en cambio alcanzar un cierto valor
para la función objetivo. A la mayoría de los gerentes les satisface una
solución "suficientemente buena". A este problema se lo conoce como
"satisfacer" el problema de "alcanzar la meta".

Una de las razones por las cuales los gerentes de empresas sobrestiman la
importancia de la estrategia óptima es que las organizaciones con
frecuencia usan indicadores como "sustitutos" para satisfacer sus
necesidades inmediatas. La mayoría de los gerentes prestan atención a
indicadores tales como la utilidad, el flujo de fondos, el precio de la
acción, etc. que indican más una supervivencia que una meta de
optimización.

Para resolver el problema de alcanzar la meta, se debe primero añadir la

meta del conjunto de restricciones. Para convertir el problema de alcanzar
la meta en un problema de optimización, se debe crear una función
objetivo ficticia. Podría ser una combinación lineal del subconjunto de
variables de decisión. Si se maximiza esta función objetivo se obtendrá
una solución factible (si es que existe). Si se minimiza, se podría obtener
otra (habitualmente en el otro "lado" de la región factible). Se podría
optimizar con diferentes funciones objetivas.

Otro abordaje es usar modelos de "Programación de Metas" que manejan

con precisión problemas de satisfacción de restricciones sin
necesariamente tener un solo objetivo. Básicamente, consideran medidas
de violación de restricciones e intentan minimizarlas. Se pueden formular
y resolver modelos de programación de metas en PL tradicional, usando
códigos de solución de PL tradicionales.

En el algoritmo de solución sin variables artificiales se puede usar una

función objetivo ficticia de cero pero no en algunos paquetes de software,
tales como el Lindo. Con los paquetes de software se puede maximizar o
minimizar cualquier variable como una función objetivo.

Ejemplo numérico

Considere el Ejemplo 1 en la sección Inicialización del Método Símplex

en un sitio asociado a éste. En lugar de maximizar ahora queremos
alcanzar una meta de 4, es decir,

Meta: -X1 + 2X2 = 4

sujeta a:
X1 + X2  2,
-X1 + X2  1,
X2  3,
y X1, X2  0.

Si se añade esta meta al conjunto de restricciones y se convierten las

restricciones a la forma de igualdad se obtiene:

X1 + X2 - S1 = 2, -X1 + X2 - S2 = 1, X2 + S3 = 3, y
X1, X2, S1, S2, S3  0.

Una solución es X1 = 2, X2 = 3, S1 = 3, S2 = 0, y S3 = 0.
Cálculo de minimax y maximin en una sola corrida

Supongamos que quiere hallar el peor de varios valores de funciones

objetivos definidas con un conjunto común de restricciones en una sola
corrida de computación.

Como aplicación, supongamos que en el Problema del Carpintero, sin

pérdida de generalidad, hay tres mercados con funciones objetivos de 5X1
+ 3X2, 7X1 + 2X2, y 4X1 + 4X2, respectivamente. Al carpintero le
interesa conocer el peor mercado. Es decir, la solución del siguiente
problema:

El problema del minimax:

Min Max {5X1 + 3X2, 7X1 + 2X2, 4X1 + 4X2}

Sujeta a:
2 X1 + X2  40
X1 + 2 X2  50
Y ambos, X1, X2, son no negativos.

El Problema del Minimax equivale a:

Maximice y

Sujeta a:
y  5x1 + 3X2
y  7X1 + 2X2
y  4X1 + 4X2
2X1 + X2  40
X1 + 2X2  50
Y todas las variables, X1, X2, y, son no negativas.

Si se toman todas las variables a la izquierda de las restricciones y este

problema se implementa en el paquete de computación, la solución óptima
es X1 = 10, X2 = 20, y = $110. Esto significa que el primero y el segundo
mercados son los peores (porque la primera y la segunda restricciones son
obligatorias) aportando sólo $110 de utilidad neta.

De modo similar, se puede resolver el minimax de varias funciones

objetivos en una sola corrida.
Situaciones de más por menos y menos por más

Considere el siguiente problema de PL de producción:

Maximice X1 + 3X2 + 2X3,

sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = 9, todas Xi son no
negativas.

Los totales de mano de obra son 4 y 9. El valor óptimo para este problema
es $7.

Ahora, si se cambia la segunda mano de obra disponible de 9 por 12, el

valor óptimo sería $4. Es decir, que se ha trabajado más horas por menos
utilidad.

Esta situación surgen frecuentemente y se conoce como "La Paradoja de

Más por Menos". El recurso número 2 tiene un precio sombra negativo!

Para hallar el mejor número de horas se debe trabajar para maximizar el

ingreso, resolviendo la siguiente PL paramétrica:

Maximice X1 + 3X2 + 2X3

sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 = L , L, y todas Xi son no
negativas.

Con LINDO (o WinQSB) se debe resolver:

Maximice X1 + 3X2 + 2X3

sujeta a: X1 + 2X2 + X3 = 4, 3X1 + X2 + 2X3 - L = 0.

La L óptima es 8 horas, y el valor óptimo es $8!

La condición necesaria y suficiente para que se dé la situación de más por

menos/menos por más es que existan restricción(es) de igualdad con
precio(s) sombra negativos para los valore(s) RHS.

Programas lineales generales con enteros

La PL estándar asume que las variables de decisión son continuas. Sin

embargo, en muchas aplicaciones, los valores fraccionarios pueden no
servir de mucho (por ej., 2,5 empleados). Por otra parte, como a esta altura
ya saben, como los programas lineales con enteros son más difíciles de
resolver, quizás se pregunten para qué la molestia. ¿Por qué no
simplemente usar un programa lineal estándar y redondear las respuestas a
los enteros más cercanos? Desafortunadamente, esto genera dos
problemas:

 La solución redondeada puede no ser factible, y

 El redondeo puede no dar una solución óptima.

Por lo tanto, el redondeo de resultados de programas lineales puede

proporcionar respuestas razonables, pero para garantizar soluciones
óptimas debemos aplicar programación lineal con enteros. Por omisión, el
software de PL asume que todas las variables son continuas. Con el
software Lindo, convendrá usar la sentencia de entero general - GIN. GIN
seguida de un nombre de variable restringe el valor de la variable a los
enteros no negativos (0,1,2,…). El siguiente ejemplo sencillo ilustra el uso
de la sentencia GIN.

Max 11X1 + 10X2

S.T. 2X1 + X2  12
X1 - 3X2  1
END
GIN X1
GIN X2

La salida después de siete iteraciones es:

VALOR DE LA FUNCION OBJETIVO

1) 66.00000

VARIABLE VALOR COSTO REDUCIDO

X1 6.000000 -11.000000

X2 0.000000 -10.000000

FILA HOLGURA O EXCEDENTE

2) 0.000000
 3) 5.000000

Si no hubiéramos especificado X1 y X2 como enteros generales en este

modelo, LINDO no habría hallado la solución óptima de X1 = 6 y X2 = 0.
En cambio, LINDO habría considerado a X1 y X2 como continuos y
habría llegado a la solución X1 = 5.29 y X2 = 1.43.

Observen asimismo que el simple redondeo de la solución continua a los

valores enteros más próximos no da la solución óptima en este ejemplo.
En general, las soluciones continuas redondeadas pueden no ser las
óptimas y, en el peor de los casos, no son factibles. Sobre esta base, uno se
puede imaginar que puede demandar mucho tiempo obtener la solución
óptima en un modelo con muchas variables de enteros. En general, esto es
así, y les convendrá utilizar la característica GIN sólo cuando es
absolutamente necesario.

Como último comentario, el comando GIN también acepta un argumento

de valor entero en lugar de un nombre de variable. El número corresponde
al número de variables que uno desea que sean enteros generales. Estas
variables deben aparecer primero en la formulación. De tal modo, en este
ejemplo sencillo, podríamos haber reemplazado las dos sentencias GIN
por la única sentencia GIN 2.

Aplicación mixta de programación con enteros: restricciones "Y-O"

Supongan que una panadería vende ocho variedades de rosquillas. La

preparación de las variedades 1, 2 y 3 implica un proceso bastante
complicado, por lo que la panadería decidió que no les conviene hornear
estas variedades, a menos que pueda hornear y vender por lo menos 10
docenas de las variedades 1, 2 y 3 combinadas. Supongan también que la
capacidad de la panadería limita el número total de rosquillas horneadas a
30 docenas, y que la utilidad unitaria de la variedad j es j dólares. Si xj, j =
1, 2, … ,6 denote el número de docenas de la variedad j que se deben
hornear, y luego la utilidad máxima puede hallarse resolviendo el
siguiente problema (asumiendo que la panadería consigue vender todo lo
que hornea):

Maximice Z = Pj Xj
Sujeta a las restricciones: Xj  30
X1 + X2 + X3 = 0, OR, X1 + X2 + X3  10

Maximice Z = Pj Xj
Sujeta a las restricciones: Xj  30
X1 + X2 + X3 - 30y  0,
X1 + X2 + X3 - 10y 10
Xj  0, y = 0, or 1.

Programas lineales con enteros 0 - 1

Con el comando INT en LINDO se restringe la variable a 0 o 1. A estas

variables con frecuencia se las llama variables binarias. En muchas
aplicaciones, las variables binarias pueden ser muy útiles en situaciones de
todo o nada. Entre los ejemplos podemos incluir cosas tales como asumir
un costo fijo, construir una nueva planta o comprar un nivel mínimo de
algún recurso para recibir un descuento por cantidad.

Ejemplo: Considere el siguiente problema de la mochila

Maximice 11X1 + 9X2 + 8X3 + 15X4

Sujeta a:: 4X1 + 3X2 + 2X3 + 5X4  8, and Xi either 0 or 1.

Con LINDO, la sentencia del problema es:

Max 11X1 + 9X2 + 8X3 + 15X4

S.T. 4X1 + 3X2 + 2X3 + 5X4  8
END
INT X1
INT X2
INT X3
INT X4

Luego haga clic en SOLVE. La salida da la solución óptima y el valor

óptimo después de ocho iteraciones "Branch-and-Bound" (de rama y
frontera).

Observe que en lugar de repetir INT cuatro veces se puede usar INT 4. Las
primeras cuatro variables aparecieron en la función objetivo.

VALOR DE LA FUNCION OBJETIVO

1) 24.00000

VARIABLE VALOR COSTO REDUCIDO

X1 0.000000 -11.000000
X2 1.000000 -9.000000
X3 0.000000 -8.000000
X4 1.000000 -15.000000

FILA HOLGURA O EXCEDENTE PRECIOS DUALES

2) 0.000000 0.000000
Nro. DE ITERACIONES = 8

Aplicaciones para formulación de presupuestos de inversiones

Supongan que una compañía de Investigación y Desarrollo dispone de una

suma de dinero, D dólares, para invertir. La compañía ha determinado que
existen N proyectos en los que conviene invertir, y por lo menos dj dólares
deben invertirse en el proyecto j si se decide que ese proyecto j es aquél en
el que vale la pena invertir. Asimismo, la compañía determinó que la
utilidad neta que puede obtenerse después de invertir en el proyecto j es de
jdólares. El dilema de la compañía es que no puede invertir en todos los
proyectos N, porque
dj  D. Por lo tanto, la compañía debe decidir en cuáles de los proyectos
invertirá maximizando la utilidad. Para resolver este problema, el asesor
formula el siguiente problema:
Xj = 1 si la compañía invierte en el proyecto j, y
Xj = 0 si la compañía no invierte en el proyecto j.
El monto total que se invertirá entonces es de
dj Xj, y como este monto no puede ser superior a D dólares tenemos la
siguiente restricción:

dj Xj  D

La utilidad total será Pj Xj. Por lo tanto, la compañía quiere el problema
0-1:

Maximice Z= Pj Xj
Sujeta a: dj Xj  D, Xj = 0, OR 1.

Problemas de scheduling (planificación de turnos)

Si se quiere utilizar la mano de obra lo más eficientemente posible es

importante analizar los requerimientos de personal durante las diversas
horas del día. Esto es en especial así en las grandes organizaciones de
servicios, donde la demanda de los clientes es repetitiva pero cambia de
manera significativa según la hora. Por ejemplo, se necesitan muchos más
operadores telefónicos durante el período del mediodía a las dos de la
tarde que desde la medianoche a las dos de la mañana. Pero, sin embargo,
debe haber algunos operadores de guardia durante la madrugada. Como
los operadores habitualmente cumplen turnos de ocho horas es posible
planificar las horas de trabajo de los operadores de modo tal que un solo
turno cubra dos o más "períodos pico" de demanda. Mediante el diseño de
planes horarios inteligentes, la productividad de los operadores aumenta y
 el resultado es un plantel más reducido, y por lo tanto, una reducción en
los costos salariales. Algunos otros ejemplos de áreas donde los modelos
de scheduling han resultado útiles son los conductores de ómnibus, los
controladores de tráfico aéreo y las enfermeras. A continuación
analizaremos un problema de ejemplo y desarrollaremos un modelo de
programación con enteros para planificar el horario de trabajo de
enfermeras.

Es un problema de rutina en los hospitales planificar las horas de trabajo

de las enfermeras. Un modelo de planificación es un problema de
programación con enteros que consiste en minimizar el número total de
trabajadores sujeto al número especificado de enfermeras durante cada
período del día.

Período        Hora del día         Número requerido de enfermeras         
1 8:00 - 10:00 10
2 10:00 - 12:00 8
3 12:00 - 2:00 9
4 2:00 - 4:00 11
5 4:00 - 6:00 13
6 6:00 - 8:00 8
7 8:00 - 10:00 5
8 10:00 - 12:00 3

Como cada enfermera trabaja ocho horas puede comenzar a trabajar al

comienzo de cualquiera de los siguientes cinco turnos: 8:00, 10:00, 12:00,
2:00 o 4:00. En esta aplicación no consideramos ningún turno que
comience a las 9:00, 11:00, etc. Tampoco es necesario tener enfermeras
que comiencen a trabajar después de las 4:00, porque entonces su turno
terminaría después de la medianoche, cuando no se necesitan enfermeras.
Cada período tiene dos horas de duración, de modo tal que cada enfermera
que se presenta a trabajar en el período t también trabajará durante los
períodos t + 1, t+ 2, y t + 3 --- ocho horas consecutivas. La pregunta es:
"¿Cuántas enfermeras deberían comenzar su turno en cada período para
satisfacer los requerimientos del recurso especificados en la tabla
anterior?" Para formular el modelo de este problema. Xt es una variable de
decisión que denota el número de enfermeras que comenzarán su horario
en el período t. La mano de obra total, que deseamos minimizar, es Xt.
Durante el período 1, debe haber por lo menos 10 personas de guardia;
entonces, debemos tener X1  10. De modo similar, los requerimientos del
período 2 sólo pueden satisfacerse con X1 + X2  8. De esta manera
denotamos los requerimientos de los períodos restantes:

X1 + X2 + X3  9,
X1 + X2 + X3 + X4  11,
X2 + X3 + X4 + X5  13,
X3 + X4 +X5  8,
X4 + X5  5,
X5  3,
Todas las variables son números enteros.

Observe que X1 no está incluida en la restricción del período 5, ya que las

enfermeras que comienzan en el período 1 ya no están en servicio en el
período 5. Asimismo, observe que puede resultar necesario tener más que
el número requerido de personas en algunos períodos. Por ejemplo, vemos
con la primera restricción que el número de enfermeras que comienzan a
trabajar en el período 1 debe ser 10, como mínimo. Todas ellas estarán
todavía trabajando en el período 2, pero en ese momento sólo se
necesitarán ocho personas. Entonces, incluso si X2 = 0, habrá dos
enfermeras extra de guardia en el período 2.

Programación no lineal

La programación lineal ha demostrado ser una herramienta sumamente

poderosa, tanto en la modelización de problemas de la vida real como en
la teoría matemática de amplia aplicación. Sin embargo, muchos
problemas interesantes de optimización son no lineales. El estudio de estos
problemas implica una mezcla diversa de álgebra lineal, cálculo
multivariado, análisis numérico y técnicas de computación. Entre las áreas
especiales importantes se encuentra el diseño de algoritmos de
computación (incluidas las técnicas de puntos interiores para
programación lineal), la geometría y el análisis de conjuntos convexos y
funciones, y el estudio de problemas especialmente estructurados, tales
como la programación cuadrática. La optimización no lineal proporciona
información fundamental para el análisis matemático, y se usa
extensamente en las ciencias aplicadas (en campos tales como el diseño de
ingeniería, el análisis de regresión, el control de inventario y en la
exploración geofísica).

Programación con restricciones no binarias

A través de los años, la comunidad dedicada a la programación con

restricciones ha venido prestando considerable atención a la modelística y
resolución de problemas usando restricciones unarias y binarias. Ha sido
sólo desde hace poco que se viene prestando más atención a las
restricciones no binarias, y se debe principalmente a la influencia del
número creciente de aplicaciones en la vida real. Una restricción no
binaria es una restricción que se define con k variables, donde k
normalmente es mayor que 2. En tal sentido, la restricción no binaria
puede considerarse como una restricción más global. La modelización de
(una parte de) un problema con una restricción no binaria presenta dos
ventajas principales: Facilita la expresión del problema y habilita una
mayor propagación más poderosa de la restricción a medida que se
dispone de información más global.

Los éxitos logrados en aplicaciones para programación de itinerarios,

horarios de trabajo y rutas han demostrado que usar restricciones no
binarias es una dirección de investigación promisoria. De hecho, cada vez
más personas creen que este tema es crucial para que la tecnología de las
restricciones se convierta en una manera realista de modelizar y resolver
problemas de la vida real.

Optimización combinatoria

Agrupar, cubrir y particionar (aplicaciones de los programas con enteros)

son los principales temas matemáticos que constituyen la interfaz entre la
combinatoria y la optimización. La optimización combinatoria es el
estudio de estos problemas. Aborda la clasificación de problemas de
programación con enteros, de acuerdo con la complejidad de algoritmos
conocidos para resolverlos, y con el diseño de algoritmos apropiados para
resolver subclases especiales de problemas. En particular, se estudian
problemas de flujos de red, correspondencias y sus generalizaciones
matroides. Esta materia es uno de los elementos unificadores de la
combinatoria, la optimización, la investigación operacional y la
computación científica.