Escolar Documentos
Profissional Documentos
Cultura Documentos
un sistema grande, las componentes se relacionan de muchas maneras, pero no todas son importantes, o
mejor dicho, no todas las interacciones tienen efectos importantes en las componentes del sistema.
Por lo tanto es necesario que exista un procedimiento sistemtico que identifique a quienes toman
decisiones y a las interacciones que tengan importancia para los objetivos de la organizacin o sistema. Uno
de esos procedimientos es precisamente la Investigacin de Operaciones.
Una estructura por la que no fluye informacin, no es dinmica, es decir, no podemos considerarla como un
sistema. Por lo tanto podemos decir que la informacin es lo que da vida a las estructuras u
organizaciones humanas.
Los objetivos de toda organizacin sern siempre alcanzar el liderato en su rama, controlando la eficiencia y
efectividad de todas sus componentes por medio de mtodos que permitan encontrar las relaciones ptimas
que mejor operen el sistema, dado un objetivo especfico.
Ante el tremendo avance que se ha dado en casi todas las ciencias en las ltimas dcadas, ya no es factible
querer saber un poco de todo, sino ms bien especializarse en alguna rama de la ciencia. Los problemas
que se presentan en las organizaciones no fcilmente se pueden resolver por un slo especialista. Por el
contrario son problemas multidisciplinarios, cuyo anlisis y solucin requieren de la participacin de varios
especialistas. Estos grupos interdisciplinarios necesariamente requieren de un lenguaje comn para poder
entenderse y comunicarse, donde la Investigacin de Operaciones viene a ser ese puente de comunicacin.
El enfoque de la Investigacin de Operaciones es el mismo del mtodo cientfico. En particular, el proceso
comienza por la observacin cuidadosa y la formulacin del problema y sigue con la construccin de un
modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este
punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las
caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean
vlidas tambin para el problema real. Esta hiptesis se verifica y modifica mediante las pruebas
adecuadas. Entonces, en cierto modo, la Investigacin de Operaciones incluye la investigacin cientfica
creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En
particular, la Investigacin de Operaciones se ocupa tambin de la administracin prctica de la
organizacin. As, para tener xito, deber tambin proporcionar conclusiones positivas y claras que pueda
usar el tomador de decisiones cuando las necesite.
1.3. DEFINICIN.
Investigacin de Operaciones o Investigacin Operacional. Se puede definir de la siguiente manera: La
Investigacin de Operaciones es la aplicacin por grupos interdisciplinarios del mtodo cientfico a
problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan
soluciones que mejor sirvan a los objetivos de toda la organizacin.
1.
2.
3.
4.
5.
2.
3.
4.
5.
Formulacin y definicin del problema. En esta fase del proceso se necesita: una descripcin de los
objetivos del sistema, es decir, qu se desea optimizar; identificar las variables implicadas, ya sean
controlables o no; determinar las restricciones del sistema. Tambin hay que tener en cuenta las
alternativas posibles de decisin y las restricciones para producir una solucin adecuada.
Construccin del modelo. En esta fase, el investigador de operaciones debe decidir el modelo a utilizar
para representar el sistema. Debe ser un modelo tal que relacione a las variables de decisin con los
parmetros y restricciones del sistema. Los parmetros (o cantidades conocidas) se pueden obtener ya
sea a partir de datos pasados o ser estimados por medio de algn mtodo estadstico. Es
recomendable determinar si el modelo es probabilstico o determinstico. El modelo puede ser
matemtico, de simulacin o heurstico, dependiendo de la complejidad de los clculos matemticos
que se requieran.
Solucin del modelo. Una vez que se tiene el modelo, se procede a derivar una solucin matemtica
empleando las diversas tcnicas y mtodos matemticos para resolver problemas y ecuaciones.
Debemos tener en cuenta que las soluciones que se obtienen en este punto del proceso, son
matemticas y debemos interpretarlas en el mundo real. Adems, para la solucin del modelo, se
deben realizar anlisis de sensibilidad, es decir, ver cmo se comporta el modelo a cambios en las
especificaciones y parmetros del sistema. Esto se hace, debido a que los parmetros no
necesariamente son precisos y las restricciones pueden estar equivocadas.
Validacin del modelo. La validacin de un modelo requiere que se determine si dicho modelo puede
predecir con certeza el comportamiento del sistema. Un mtodo comn para probar la validez del
modelo, es someterlo a datos pasados disponibles del sistema actual y observar si reproduce las
situaciones pasadas del sistema. Pero como no hay seguridad de que el comportamiento futuro del
sistema contine replicando el comportamiento pasado, entonces siempre debemos estar atentos de
cambios posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo.
Implementacin de resultados. Una vez que hayamos obtenido la solucin o soluciones del modelo, el
siguiente y ltimo paso del proceso es interpretar esos resultados y dar conclusiones y cursos de
accin para la optimizacin del sistema. Si el modelo utilizado puede servir a otro problema, es
necesario revisar, documentar y actualizar el modelo para sus nuevas aplicaciones.
Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos. Estos son:
1) variables y parmetros de decisin, 2) restricciones y 3) funcin objetivo.
1. Variables y parmetros de decisin. Las variables de decisin son las incgnitas (o decisiones) que
deben determinarse resolviendo el modelo. Los parmetros son los valores conocidos que relacionan
las variables de decisin con las restricciones y funcin objetivo. Los parmetros del modelo pueden
ser determinsticos o probabilsticos.
2. Restricciones. Para tener en cuenta las limitaciones tecnolgicas, econmicas y otras del sistema, el
modelo debe incluir restricciones (implcitas o explcitas) que restrinjan las variables de decisin a un
rango de valores factibles.
3. Funcin objetivo. La funcin objetivo define la medida de efectividad del sistema como una funcin
matemtica de las variables de decisin.
La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta a las restricciones.
El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades necesarias en este
enfoque son inherentes en la persona y aumentan con la prctica. En muchas ocasiones este proceso basta
para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de
herramientas matemticas que le permitan a la persona mejorar su efectividad en la toma de decisiones.
Este enfoque es til cuando no se tiene experiencia con problemas similares o cuando el problema es tan
complejo o importante que requiere de un anlisis exhaustivo para tener mayor posibilidad de elegir la mejor
solucin.
La investigacin de operaciones proporciona a los tomadores de decisiones bases cuantitativas para
seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro.
En el ambiente socioeconmico actual altamente competitivo y complejo, los mtodos tradicionales de toma
de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de
las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que
requieren de soluciones creativas y prcticas apoyadas en una base cuantitativa slida.
En organizaciones grandes se hace necesario que el tomador de decisiones tenga un conocimiento bsico
de las herramientas cuantitativas que utilizan los especialistas para poder trabajar en forma estrecha con
ellos y ser receptivos a las soluciones y recomendaciones que se le presenten.
En organizaciones pequeas puede darse que el tomador de decisiones domine las herramientas
cuantitativas y l mismo las aplique para apoyarse en ellas y as tomar sus decisiones.
Desde al advenimiento de la Revolucin Industrial, el mundo ha sido testigo de un crecimiento sin
precedentes en el tamao y la complejidad de las organizaciones. Los pequeos talleres artesanales se
convirtieron en las corporaciones actuales de miles de millones de pesos. Una parte integral de este cambio
revolucionario fue el gran aumento en la divisin del trabajo y en la separacin de las responsabilidades
administrativas en estas organizaciones. Los resultados han sido espectaculares. Sin embargo, junto con
los beneficios, el aumento en el grado de especializacin creo nuevos problemas que ocurren hasta la fecha
en muchas empresas. Uno de estos problemas es la tendencia de muchas de las componentes de una
organizacin a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de
valores, perdiendo con esto la visin de la forma en que encajan sus actividades y objetivos con los de toda
la organizacin. Lo que es mejor para una componente, puede ir en detrimento de otra, de manera que
pueden terminar trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la
complejidad y la especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a las
diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este tipo de problemas,
y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el ambiente adecuado para el
surgimiento de la investigacin de operaciones (IO).
Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se hicieron los
primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el
inicio de la actividad llamada investigacin de operaciones, casi siempre se atribuye a los servicios militares
prestados a principios de la segunda guerra mundial. Debido a los esfuerzos blicos, exista una necesidad
urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada
operacin, en la forma ms efectiva. Por esto, las administraciones militares americana e inglesa hicieron un
llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a ste y a otros problemas
estratgicos y tcticos. De hecho, se les pidi que hicieran investigacin sobre operaciones (militares).
Estos equipos de cientficos fueron los primeros equipos de IO. Con el desarrollo de mtodos efectivos para
el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate areo ingls. A travs de sus
investigaciones para mejorar el manejo de las operaciones antisubmarinas y de proteccin, jugaron tambin
un papel importante en la victoria de la batalla del Atlntico Norte. Esfuerzos similares fueron de gran ayuda
en a isla de campaa en el pacfico.
Al terminar la guerra, el xito de la investigacin de operaciones en las actividades blicas gener un gran
inters en sus aplicaciones fuera del campo militar. Como la explosin industrial segua su curso, los
problemas causados por el aumento en la complejidad y especializacin dentro de las organizaciones
pasaron de nuevo a primer plano. Comenz a ser evidente para un gran nmero de personas, incluyendo a
los consultores industriales que haban trabajado con o para los equipos de IO durante la guerra, que estos
problemas eran bsicamente los mismos que los enfrentados por la milicia, pero en un contexto diferente.
Cuando comenz la dcada de 1950, estos individuos haban introducido el uso de la investigacin de
operaciones en la industria, los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado
con rapidez.
Se pueden identificar por lo menos otros dos factores que jugaron un papel importante en el desarrollo de la
investigacin de operaciones durante este perodo. Uno es el gran progreso que ya se haba hecho en el
mejoramiento de las tcnicas disponibles en esta rea. Despus de la guerra, muchos cientficos que
haban participado en los equipos de IO o que tenan informacin sobre este trabajo, se encontraban
motivados a buscar resultados sustanciales en este campo; de esto resultaron avances importantes. Un
ejemplo sobresaliente es el mtodo simplex para resolver problemas de programacin lineal, desarrollado
en 1947 por George Dantzing. Muchas de las herramientas caractersticas de la investigacin de
operaciones, como programacin lineal, programacin dinmica, lneas de espera y teora de inventarios,
fueron desarrolladas casi por completo antes del trmino de la dcada de 1950.
Un segundo factor que dio mpetu al desarrollo de este campo fue el advenimiento de la computadoras.
Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina, por lo general
se requiere un gran nmero de clculos. Llevarlos a cabo a mano puede resultar casi imposible. Por lo
tanto, el desarrollo de la computadora electrnica digital, con su capacidad para realizar clculos
aritmticos, miles o tal vez millones de veces ms rpido que los seres humanos, fue una gran ayuda para
la investigacin de operaciones. Un avance ms tuvo lugar en la dcada de 1980 con el desarrollo de las
computadoras personales cada vez ms rpidas, acompaado de buenos paquetes de software para
resolver problemas de IO, esto puso las tcnicas al alcance de un gran nmero de personas. Hoy en da,
literalmente millones de individuos tiene acceso a estos paquetes. En consecuencia, por rutina, se usa toda
una gama e computadoras, desde las grandes hasta las porttiles, para resolver problemas de investigacin
de operaciones.
Todas estas caractersticas llevan de una manera casi natural a otra. Es evidente que no puede esperarse
que un solo individuo sea un experto en todos lo mltiples aspectos del trabajo de investigacin de
operaciones o de los problemas que se estudian; se requiere un grupo de individuos con diversos
antecedentes y habilidades. Entonces, cuando se va a emprender un estudio de investigacin de
operaciones completo de un nuevo problema, por lo general es necesario emplear el empleo de equipo.
Este debe incluir individuos con antecedentes firmes en matemticas, estadstica y teora de probabilidades,
al igual que en economa, administracin de empresas, ciencias de la computacin, ingeniera, ciencias
fsicas, ciencias del comportamiento y, por supuesto, en las tcnicas especiales de investigacin de
operaciones. El equipo tambin necesita tener la experiencia y las habilidades necesarias para permitir la
consideracin adecuada de todas las ramificaciones del problema a travs de la organizacin.
QU ES LA INVESTIGACIN DE OPERACIONES?
Como toda disciplina en desarrollo, la investigacin de operaciones ha ido evolucionando no slo en sus
tcnicas y aplicaciones sino en la forma como la conceptualizan los diferentes autores, en la actualidad no
existe solamente una definicin sino muchas, algunas demasiado generales, otras demasiado engaosas,
aqu seleccionamos dos de las mas aceptadas y representativas.
La definicin de Churchman, Ackoff y Arnoff: La investigacin de operaciones es la aplicacin, por
grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las
organizaciones o sistemas (hombre-mquina), a fin de que se produzcan soluciones que mejor
sirvan a los objetivos de la organizacin.
De sta definicin se pueden destacar los siguientes conceptos:
1.
2.
3.
4.
Una organizacin es un sistema formado por componentes que se interaccionan, unas de estas
interacciones pueden ser controladas y otras no.
En un sistema la informacin es una parte fundamental, ya que entre las componentes fluye
informacin que ocasiona la interaccin entre ellas. Tambin dentro de la estructura de los sistemas
se encuentran recursos que generan interacciones. Los objetivos de la organizacin se refieren a la
eficacia y eficiencia con que las componentes pueden controlarse, el control es un mecanismo de
autocorreccin del sistema que permite evaluar los resultados en trminos de los objetivos
establecidos.
La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola
disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y
solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que
logran comunicarse con un lenguaje comn.
La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs modelos
matemticos, primero para representar al problema y luego para resolverlo. La definicin de la
sociedad de investigacin de operaciones de la Gran Bretaa es la siguiente:
La investigacin de operaciones es el ataque de la ciencia moderna a los complejos problemas que surgen
en la direccin y en la administracin de grandes sistemas de hombres, mquinas, materiales y dinero, en la
industria, en los negocios, en el gobierno y en la defensa. Su actitud diferencial consiste en desarrollar un
modelo cientfico del sistema tal, que incorpore valoraciones de factores como el azar y el riesgo y mediante
el cual se predigan y comparen los resultados de decisiones, estrategias o controles alternativos. Su
propsito es el de ayudar a la gerencia a determinar cientficamente sus polticas y acciones.
2.
3.
Generalmente se asocian los conceptos de direccin y administracin a las empresas de tipo lucrativo,
sin embargo, una empresa es un concepto ms amplio, es algo que utiliza hombres, mquinas,
materiales y dinero con un propsito especfico; desde ste punto de vista, se considera como empresa
desde una universidad hasta una armadora de automviles.
Para tratar de explicar el comportamiento de un sistema complejo, el cientfico debe representarlo en
trminos de los conceptos que maneja, lo hace expresando todos los rasgos principales del sistema
por medio de relaciones matemticas. A esta representacin formal se le llama modelo.
La esencia de un modelo es que debe ser predictivo, lo cual no significa predecir el futuro, pero si ser
capaz de indicar muchas cosas acerca de la forma en que se puede esperar que un sistema opere en
una variedad de circunstancias, lo que permite valorar su vulnerabilidad. Si se conocen las debilidades
del sistema se pueden tomar cursos de accin agrupados en tres categoras: A) Efectuar cambios que
lleven a la empresa o parte de ella a una nueva ruta; B) Realizar un plan de toma de decisiones;
C) Instalar estrategias que generen decisiones. Cuando se aplica alguno de estos remedios, la
4.
investigacin de operaciones nos ayuda a determinar la accin menos vulnerable ante un futuro
incierto.
El objetivo global de la investigacin de operaciones es el de apoyar al tomador de decisiones, en
cuanto ayudarlo a cumplir con su funcin basado en estudios cientficamente fundamentados.
6.
Se define el sistema real en donde se presenta el problema. Dentro del sistema interactan
normalmente un gran nmero de variables.
Se seleccionan las variables que norman la conducta o el estado actual del sistema, llamadas
variables relevantes, con las cuales se define un sistema asumido del sistema real.
Se construye un modelo cuantitativo del sistema asumido, identificando y simplificando las relaciones
entre las variables relevantes mediante la utilizacin de funciones matemticas.
Se obtiene la solucin al modelo cuantitativo mediante la aplicacin de una o ms de las tcnicas
desarrolladas por la IO.
Se adapta e imprime la mxima realidad posible a la solucin terica del problema real obtenida en el
punto 4, mediante la consideracin de factores cualitativos o no cuantificables, los cuales no pudieron
incluirse en el modelo. Adems se ajusta los detalles finales va el juicio y la experiencia del tomador
de decisiones.
Se implanta la solucin en el sistema real.
La seleccin del mtodo de solucin depende de las caractersticas del modelo. Los procedimientos de
solucin pueden ser clasificados en tres tipos:
a) analticos, que utilizan procesos de deduccin matemtica;
b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y error;
c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo.
Muchos de los procedimientos de solucin tienen la caracterstica de ser iterativos, es decir buscan la
solucin en base a la repeticin de la misma regla analtica hasta llegar a ella, si la hay, o cuando menos a
una aproximacin.
se vuelve ms factible cuando algunos de los parmetros fueron estimados aproximadamente. Por lo
anterior, es necesario generar informacin adicional sobre el comportamiento de la solucin debido a
cambios en los parmetros del modelo. Usualmente esto se conoce como anlisis de sensibilidad. En pocas
palabras, esta fase consiste en determinar los rangos de variacin de los parmetros dentro de los cuales
no cambia la solucin del problema.
IMPLANTACIN DE LA SOLUCIN
El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los
ejecutivos o tomadores de decisiones. Una vez superado ste obstculo, se debe traducir la solucin
encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operacin
y administracin del sistema. La etapa de implantacin de una solucin se simplifica en gran medida cuando
se ha propiciado la participacin de todos los involucrados en el problema en cada fase de la metodologa.
Preparacin para la aplicacin del modelo
Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los beneficios del estudio. Por lo
tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se
traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solucin
que salga a la luz en este momento.
El xito de la puesta en prctica depende en gran parte del apoyo que proporcionen tanto la alta
administracin como la gerencia operativa. Es ms probable que el equipo de IO obtenga este apoyo si ha
mantenido a la administracin bien informada y ha fomentado la gua de la gerencia durante el estudio. La
buena comunicacin ayuda a asegurar que el estudio logre lo que la administracin quiere y por lo tanto
merezca llevarse a la prctica. Tambin proporciona a la administracin el sentimiento de que el estudio es
suyo y esto facilita el apoyo para la implantacin.
La etapa de implantacin incluye varios pasos. Primero, el equipo de investigacin de operaciones de una
cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con
la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los
procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga
despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de
accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el
equipo de IO supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que
tenga que hacerse en el futuro.
A la culminacin del estudio, es apropiado que el equipo de investigacin de operaciones documento su
metodologa con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una rplica
debe ser parte del cdigo de tica profesional del investigador de operaciones. Esta condicin es crucial
especialmente cuando se estudian polticas gubernamentales en controversia.
una terapia de radiacin, etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad
de asignar recursos a las actividades eligiendo los niveles de las mismas.
La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa
que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso, las palabra
programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin.
As, la programacin lineal trata la planeacin de las actividades para obtener un resultado ptimo, esto es,
el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas las
alternativas de solucin.
Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la programacin lineal
tiene muchas otras posibilidades. de hecho, cualquier problema cuyo modelo matemtico se ajuste al
formato general del modelo de programacin lineal es un problema de programacin lineal. An ms, se
dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo simplex, para
resolver estos problemas, incluso los de gran tamao. Estas son algunas causas del tremendo auge de la
programacin lineal en las ltimas dcadas.
xj =
cj =
bi =
aij =
El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las actividades, por
lo que x1,x2,....,xn se llaman variables de decisin. Los valores de cj, bi y aij (para i = 1,2,....,m y j =
1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij tambin se conocen como parmetros del
modelo.
X2 0,
...,
Xn 0.
Actividad
Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser la misma
cantidad; o sea, que las actividades transforman los recursos y no los crean o destruyen. Esta suposicin
garantiza que la contribucin total tanto a la funcin objetivo como a las restricciones, es igual a la suma de
las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede recurrirse al
empleo de otras tcnicas de la programacin matemtica, dependiendo de cada caso en particular.
Aditividad
Cada funcin en un modelo de programacin lineal (ya sea la funcin objetivo o el lado izquierdo de las
restricciones funcionales) es la suma de las contribuciones individuales de las actividades respectivas.
Divisibilidad
Las variables de decisin en un modelo de programacin lineal pueden tomar cualquier valor, incluyendo
valores no enteros, que satisfagan las restricciones funcionales y de no negatividad. As, estas variables no
estn restringidas a slo valores enteros. Como cada variable de decisin representa el nivel de alguna
actividad, se supondr que las actividades se pueden realizar a niveles fraccinales.
Modelo Esttico
En algunos modelos matemticos se han empleado con xito las ecuaciones diferenciales, para inducir la
variable tiempo en ellos. En este sentido, puede decidirse que la PL utiliza un modelo esttico, ya que la
variable tiempo no se involucra formalmente. Adquiriendo un poco de experiencia en la formulacin de
modelos de PL, puede imbuirse la temporabilidad mencionada, con el uso de subndices en las variables.
4.
Frecuentemente es necesario hacer simplificaciones del problema original para poder manipularlo y
detener una solucin.
La mayora de los modelos slo considera un solo objetivo y frecuentemente en las organizaciones se
tienen objetivos mltiples.
Existe la tendencia a no considerar la totalidad de las restricciones en un problema prctico, debido a
que los mtodos de enseanza y entrenamiento dan la aplicacin de esta ciencia centralmente se
basan en problemas pequeos para razones de ndole prctico, por lo que se desarrolla en los
alumnos una opinin muy simplista e ingenua sobre la aplicacin de estas tcnicas a problemas
reales.
Casi nunca se realizan anlisis costo-beneficio de la implantacin de soluciones definidas por medio
de la I de O, en ocasiones los beneficios potenciales se van superados por los costos ocasionados
por el desarrollo e implantacin de un modelo.
problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de
muchos de los componentes a convertirse en imperios relativamente autnomos, con sus propias metas y
sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos,
proporcionaron el surgimiento de la Investigacin de Operaciones.
La Investigacin de Operaciones aspira determinar la mejor solucin (optima) para un problema de decisin
con la restriccin de recursos limitados.
En la Investigacin de Operaciones utilizaremos herramientas que nos permiten tomar una decisin a la
hora de resolver un problema tal es el caso de los modelos e Investigacin de Operaciones que se emplean
segn sea la necesidad.
Para llevar a cabo el estudio de Investigacin de Operaciones es necesario cumplir con una serie de etapas
o fases. Las principales etapas o fases de las que hablamos son las siguientes:
DEFINICIN DE MODELOS.
Un modelo de decisin debe considerarse como un vehculo para resumir un problema de decisin en forma
tal que haga posible la identificacin y evaluacin sistemtica de todas las alternativas de decisin del
problema. Despus se llega a una decisin seleccionando la alternativa que se juzgue sea la mejor entre
todas las opciones disponibles.
Clase de
Incertidumbre
D
D,P
D,P
D,P
D
D,P
P
D
P
D, P
P
D
Frecuencia de uso
en corporaciones
A
A
A
A
B
B
B
B
B
B
B
B
Modelo de Hoja de Clculo Electrnica: La hoja de clculo electrnica facilita hacer y contestar preguntas
de "que si" en un problema real. Hasta ese grado la hoja de clculo electrnica tiene una representacin
selectiva del problema y desde este punto de vista la hoja de clculo electrnica es un modelo.
En realidad es una herramienta ms que un procedimiento de solucin.
IMPLANTACIN.
Una vez desarrollado un sistema para aplicar un modelo, la ltima etapa de un estudio de Investigacin de
Operaciones es implementarlo siguiendo lo establecido por la administracin.
La etapa de implantacin incluye varios pasos. Primero, el equipo de Investigacin de Operaciones da una
cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con
la realidad operativa. Enseguida, estos dos grupos comparten la responsabilidad de desarrollar los
procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga
despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de
accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el
equipo de Investigacin de Operaciones supervisa la experiencia inicial con la accin tomada para identificar
cualquier modificacin que tenga que hacerse en el futuro.
Aplicacin: Este ltimo punto sobre la documentacin de un estudio Investigacin de Operaciones se
ilustra con el caso de la poltica nacional de administracin del agua de Rijkswaterstatt en Holanda. La
administracin deseaba documentacin mas extensa que lo normal, tanto para apoyar la nueva poltica
como para utilizarla en la capacitacin de nuevos analistas o al realizar nuevos estudios. Completar esta
documentacin requiri varios aos y quedo contenida en 4000 pginas a espacio sencillo encuadernadas
en 21 volmenes!
para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de
herramientas matemticas que le permitan a la persona mejorar su efectividad en la toma de decisiones.
Este enfoque es til cuando no se tiene experiencia con problemas similares o cuando el problema es tan
complejo o importante que requiere de un anlisis exhaustivo para tener mayor posibilidad de elegir la mejor
solucin.
La investigacin de operaciones proporciona a los tomadores de decisiones bases cuantitativas para
seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro.
En el ambiente socioeconmico actual altamente competitivo y complejo, los mtodos tradicionales de toma
de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de
las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que
requieren de soluciones creativas y prcticas apoyadas en una base cuantitativa slida.
En organizaciones grandes se hace necesario que el tomador de decisiones tenga un conocimiento bsico
de las herramientas cuantitativas que utilizan los especialistas para poder trabajar en forma estrecha con
ellos y ser receptivos a las soluciones y recomendaciones que se le presenten.
En organizaciones pequeas puede darse que el tomador de decisiones domine las herramientas
cuantitativas y l mismo las aplique para apoyarse en ellas y as tomar sus decisiones.
Desde al advenimiento de la Revolucin Industrial, el mundo ha sido testigo de un crecimiento sin
precedentes en el tamao y la complejidad de las organizaciones. Los pequeos talleres artesanales se
convirtieron en las corporaciones actuales de miles de millones de pesos. Una parte integral de este cambio
revolucionario fue el gran aumento en la divisin del trabajo y en la separacin de las responsabilidades
administrativas en estas organizaciones. Los resultados han sido espectaculares. Sin embargo, junto con
los beneficios, el aumento en el grado de especializacin creo nuevos problemas que ocurren hasta la fecha
en muchas empresas. Uno de estos problemas es las tendencia de muchas de las componentes de una
organizacin a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de
valores, perdiendo con esto la visin de la forma en que encajan sus actividades y objetivos con los de toda
la organizacin. Lo que es mejor para una componente, puede ir en detrimento de otra, de manera que
pueden terminar trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la
complejidad y la especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a las
diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este tipo de problemas,
y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el ambiente adecuado para el
surgimiento de la investigacin de operaciones (IO).
Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se hicieron los
primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el
inicio de la actividad llamada investigacin de operaciones, casi siempre se atribuye a los servicios militares
prestados a principios de la segunda guerra mundial. Debido a los esfuerzos blicos, exista una necesidad
urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada
operacin, en la forma ms efectiva. Por esto, las administraciones militares americana e inglesa hicieron un
llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a ste y a otros problemas
estratgicos y tcticos. De hecho, se les pidi que hicieran investigacin sobre operaciones (militares).
Estos equipos de cientficos fueron los primeros equipos de IO. Con el desarrollo de mtodos efectivos para
el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate areo ingls. A travs de sus
investigaciones para mejorar el manejo de las operaciones antisubmarinas y de proteccin, jugaron tambin
un papel importante en la victoria de la batalla del Atlntico Norte. Esfuerzos similares fueron de gran ayuda
en a isla de campaa en el pacfico.
Al terminar la guerra, el xito de la investigacin de operaciones en las actividades blicas gener un gran
inters en sus aplicaciones fuera del campo militar. Como la explosin industrial segua su curso, los
problemas causados por el aumento en la complejidad y especializacin dentro de las organizaciones
pasaron de nuevo a primer plano. Comenz a ser evidente para un gran nmero de personas, incluyendo a
los consultores industriales que haban trabajado con o para los equipos de IO durante la guerra, que estos
problemas eran bsicamente los mismos que los enfrentados por la milicia, pero en un contexto diferente.
Cuando comenz la dcada de 1950, estos individuos haban introducido el uso de la investigacin de
operaciones en la industria, los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado
con rapidez.
Se pueden identificar por lo menos otros dos factores que jugaron un papel importante en el desarrollo de la
investigacin de operaciones durante este perodo. Uno es el gran progreso que ya se haba hecho en el
mejoramiento de las tcnicas disponibles en esta rea. Despus de la guerra, muchos cientficos que
haban participado en los equipos de IO o que tenan informacin sobre este trabajo, se encontraban
motivados a buscar resultados sustanciales en este campo; de esto resultaron avances importantes. Un
ejemplo sobresaliente es el mtodo simplex para resolver problemas de programacin lineal, desarrollado
en 1947 por George Dantzing. Muchas de las herramientas caractersticas de la investigacin de
operaciones, como programacin lineal, programacin dinmica, lneas de espera y teora de inventarios,
fueron desarrolladas casi por completo antes del trmino de la dcada de 1950.
Un segundo factor que dio mpetu al desarrollo de este campo fue el advenimiento de la computadoras.
Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina, por lo general
se requiere un gran nmero de clculos. Llevarlos a cabo a mano puede resultar casi imposible. Por lo
tanto, el desarrollo de la computadora electrnica digital, con su capacidad para realizar clculos
aritmticos, miles o tal vez millones de veces ms rpido que los seres humanos, fue una gran ayuda para
la investigacin de operaciones. Un avance ms tuvo lugar en la dcada de 1980 con el desarrollo de las
computadoras personales cada vez ms rpidas, acompaado de buenos paquetes de software para
resolver problemas de IO, esto puso las tcnicas al alcance de un gran nmero de personas. Hoy en da,
literalmente millones de individuos tiene acceso a estos paquetes. En consecuencia, por rutina, se usa toda
una gama e computadoras, desde las grandes hasta las porttiles, para resolver problemas de investigacin
de operaciones.
QU ES LA INVESTIGACIN DE OPERACIONES?
Como toda disciplina en desarrollo, la investigacin de operaciones ha ido evolucionando no slo en sus
tcnicas y aplicaciones sino en la forma como la conceptualizan los diferentes autores, en la actualidad no
existe solamente una definicin sino muchas, algunas demasiado generales, otras demasiado engaosas,
aqu seleccionamos dos de las mas aceptadas y representativas.
La definicin de Churchman, Ackoff y Arnoff: La investigacin de operaciones es la aplicacin, por
grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las
organizaciones o sistemas (hombre-mquina), a fin de que se produzcan soluciones que mejor
sirvan a los objetivos de la organizacin.
3.
4.
Una organizacin es un sistema formado por componentes que se interaccionan, unas de estas
interacciones pueden ser controladas y otras no.
En un sistema la informacin es una parte fundamental, ya que entre las componentes fluye
informacin que ocasiona la interaccin entre ellas. Tambin dentro de la estructura de los sistemas
se encuentran recursos que generan interacciones. Los objetivos de la organizacin se refieren a la
eficacia y eficiencia con que las componentes pueden controlarse, el control es un mecanismo de
autocorreccin del sistema que permite evaluar los resultados en trminos de los objetivos
establecidos.
La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola
disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y
solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que
logran comunicarse con un lenguaje comn.
La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs modelos
matemticos, primero para representar al problema y luego para resolverlo. La definicin de la
sociedad de investigacin de operaciones de la Gran Bretaa es la siguiente:
La investigacin de operaciones es el ataque de la ciencia moderna a los complejos problemas que surgen
en la direccin y en la administracin de grandes sistemas de hombres, mquinas, materiales y dinero, en la
industria, en los negocios, en el gobierno y en la defensa. Su actitud diferencial consiste en desarrollar un
modelo cientfico del sistema tal, que incorpore valoraciones de factores como el azar y el riesgo y mediante
el cual se predigan y comparen los resultados de decisiones, estrategias o controles alternativos. Su
propsito es el de ayudar a la gerencia a determinar cientficamente sus polticas y acciones.
2.
3.
Generalmente se asocian los conceptos de direccin y administracin a las empresas de tipo lucrativo,
sin embargo, una empresa es un concepto ms amplio, es algo que utiliza hombres, mquinas,
materiales y dinero con un propsito especfico; desde ste punto de vista, se considera como empresa
desde una universidad hasta una armadora de automviles.
Para tratar de explicar el comportamiento de un sistema complejo, el cientfico debe representarlo en
trminos de los conceptos que maneja, lo hace expresando todos los rasgos principales del sistema
por medio de relaciones matemticas. A esta representacin formal se le llama modelo.
La esencia de un modelo es que debe ser predictivo, lo cual no significa predecir el futuro, pero si ser
capaz de indicar muchas cosas acerca de la forma en que se puede esperar que un sistema opere en
una variedad de circunstancias, lo que permite valorar su vulnerabilidad. Si se conocen las debilidades
del sistema se pueden tomar cursos de accin agrupados en tres categoras: A) Efectuar cambios que
4.
lleven a la empresa o parte de ella a una nueva ruta; B) Realizar un plan de toma de decisiones;
C) Instalar estrategias que generen decisiones. Cuando se aplica alguno de estos remedios, la
investigacin de operaciones nos ayuda a determinar la accin menos vulnerable ante un futuro
incierto.
El objetivo global de la investigacin de operaciones es el de apoyar al tomador de decisiones, en
cuanto ayudarlo a cumplir con su funcin basado en estudios cientficamente fundamentados.
1. Frecuentemente es necesario hacer simplificaciones del problema original para poder manipularlo y
detener una solucin.
2. La mayora de los modelos slo considera un solo objetivo y frecuentemente en las organizaciones se
tienen objetivos mltiples.
3. Existe la tendencia a no considerar la totalidad de las restricciones en un problema prctico, debido a
que los mtodos de enseanza y entrenamiento dan la aplicacin de esta ciencia centralmente se
basan en problemas pequeos para razones de ndole prctico, por lo que se desarrolla en los alumnos
una opinin muy simplista e ingenua sobre la aplicacin de estas tcnicas a problemas reales.
4. Casi nunca se realizan anlisis costo-beneficio de la implantacin de soluciones definidas por medio de
la I de O, en ocasiones los beneficios potenciales se van superados por los costos ocasionados por el
desarrollo e implantacin de un modelo.
En este artculo y en los prximos entraremos en detalles ms puntuales con relacin a los diferentes
modelos ms utilizados como herramientas dentro de la investigacin de operaciones. Los modelos de
redes tipo CPM-PERT y el MS-PROJET como mtodos gerenciales para la planificacin, ejecucin y control
de proyectos.
Pese a que para poder leer e interpretar adecuadamente una red CPM-PERT slo se necesita saber leer y
escribir, esta tcnica para la planificacin de proyectos es un instrumento gerencial por excelencia, ya que
permite al ejecutivo mantener un control muy preciso durante la ejecucin de los mismos.
Este ingenioso y elegante mtodo para la optimizacin de tiempos y minimizacin de costos es la mezcla de
dos instrumentos creados hace algunos aos; el CEMP (Crithical Path Method) y el PERT (Program
Evaluation on Review Technique).
El primero fue diseado en el segundo lustro de los aos 50, por los investigadores de Dupont: J.E. Kelly y
M.R. Walker y originalmente fue denominado CPPSM (Crithical Path Planing and Scheduling Method), se
us para la programacin y control de la factora qumica en Kentuky y demostr sus grandes ventajas
respecto a los mtodos clsicos por su aptitud de integrar modificaciones sin dificultad.
El segundo mtodo fue diseado en la misma poca por Naval Special Project Office, con la colaboracin
de la Lockhead Aircraft y de la firma Booz-Allen & Hamilton. Lo extraordinario es que habiendo sido
diseados por grupos diferentes que buscaban resultados diferentes (uno la minimizacin de costos y el otro
la optimizacin de los tiempos), y que el primero fuera de tipo determinstico y el segundo probabilstico, las
coincidencias grficas fueran tan notables en ambos mtodos. Puede decirse que a primera vista no existe
ninguna diferencia desde el punto de vista grfico.
Estos dos mtodos aportaron los elementos administrativos necesarios para formar el mtodo actual CPMPERT que definitivamente es de ms difcil lectura y ms elegante y poderoso que sus antecesores, se usa
para el control de los tiempos de ejecucin y los costos de operacin buscando que el proyecto sea
realizado en tiempo ptimo y al menor costo posible.
Los mtodos de redes, en general, haban estado siendo manejados como secretos militares por la NASA,
que como ahora sabemos haba tenido una serie de sonados fracasos en sus lanzamientos de satlites
artificiales. Fue en el momento de la desesperacin y angustia (1957), cuando los soviticos colocaron el
primer Sputnik en rbita, cuando dieron mayor abertura a otras personas e instituciones para que les
ayudaran a poner a punto a su cohete Polaris y a recuperar el tiempo perdido por haber trabajado aislados.
De ese momento en adelante toda la programacin de NASA se hizo usando redes y esto les permiti,
como lo hace con cualquier proyecto, manejar simultneamente la enorme cantidad de actividades
desarrolladas por subcontratistas ligadas entre s pero desarrolladas en lugares diferentes por personas que
no tenan relacin directa.
La administracin y las ingenieras fueron las grandes ganadoras ya que en forma casi natural comenzaron
a utilizar CPM y PERT como instrumentos.
Al principio el PERT se utiliz para evaluar la programacin de un proyecto de investigacin y desarrollo, en
la actualidad se usa para controlar el avance de otro tipo de proyectos como:
1. Programacin de proyectos de construccin de edificios, autopistas, puentes, etctera.
2. Programacin de la mudanza de grandes instituciones como bancos, hospitales, industrias, etctera.
3. Creacin de procedimientos para la cuenta regresiva y la suspensin del lanzamiento de los vuelos
espaciales (de todos los vuelos de todos los pases que compiten en la era espacial).
4. Instalaciones de sistema de cmputo, de maquinaria y equipo de grandes industrias.
5. Diseo y distribucin de productos nuevos.
6. Inicio, proceso y conclusin de fusiones de instituciones en corporaciones y de corporaciones mismas.
7. Construccin de equipo, maquinaria estacionaria y vehculos automotores.
8. Flujos de costos mnimos, etctera.
Caractersticas importantes a tener en cuenta para usar la metodologa CPM-PERT
A. El mtodo requiere de la participacin de expertos. Esto significa que para hacer una red sobre un rea
especial no se puede y sobre todo no se debe improvisar la informacin, la misma debe ser proveda
por alguien que haya tenido la experiencia previa.
Por ejemplo, para construir y colocar una puerta, es un experto en hacer y colocar puertas quien debe
proporcionar la informacin sobre tiempos y costos, preferiblemente una fbrica de puertas que un
carpintero. Para dar la informacin sobre el lanzamiento de un producto nuevo al mercado se necesita
de un experto que haya llevado a cabo lanzamientos de productos nuevos; y as para cualquier
actividad ya que dependeremos en grado sumo de esa experiencia para poder armar la red.
En caso que no se cuente con alguien que haya tenido la vivencia previa, como podra ser el caso del
lanzamiento de una nave tripulada a Jpiter, se construye un modelo experto de simulacin, el cual nos
permitir generar, por esta va, informacin con cierto grado de confianza.
B. El proyecto que se planifica es nico. Esto significa que una red hecha para una casa no se puede usar
para otra casa, aunque sea muy semejante (o igual, como se dice en el lenguaje corriente). Hacer
varias casas iguales es un proyecto que es diferente de un proyecto para hacer una casa y luego
repetirlo varias veces.
C. El proyecto que se planifica debe tener claramente establecidas las limitaciones. No debe haber
ninguna duda en cuanto a la definicin del proyecto y en cuanto a la disponibilidad de tiempo y dinero.
El clsico hgase sin contemplar el presupuesto disponible o el tiempo mximo que puede usarse,
que se da a veces cuando no hay prisas, es un veneno mortal para el mtodo CPM-PERT.
esto es construyendo un modelo matemtico que represente la esencia del problema. Antes de analizar
como formular los modelos de este tipo, se explorar la naturaleza general de los modelos y, en particular, la
de los modelos matemticos.
El modelo matemtico est constituido por relaciones matemticas (ecuaciones y desigualdades)
establecidas en trminos de variables, que representa la esencia el problema que se pretende solucionar.
Para construir un modelo es necesario primero definir las variables en funcin de las cuales ser
establecido. Luego, se procede a determinar matemticamente cada una de las dos partes que constituyen
un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente
es una funcin (ecuacin) llamada funcin objetivo; b) las limitantes del problema llamadas restricciones que
son un conjunto de igualdades o desigualdades que constituyen las barreras y obstculos para la
consecucin del objetivo.
Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin abstracta de la
realidad con consideraciones y simplificaciones que hacen ms manejable el problema y permiten evaluar
eficientemente las alternativas de solucin.
Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal del problema. Una ventaja
obvia es que el modelo matemtico describe un problema en forma mucho ms concisa. Esto tiende a hacer
que toda la estructura del problema sea ms comprensible y ayude a revelar las relaciones importantes
entre causa y efecto. De esta manera, indica con ms claridad que datos adicionales son importantes para
el anlisis. Tambin facilita simultneamente el manejo del problema en su totalidad y el estudio de todas
sus interpelaciones. Por ltimo, un modelo matemtico forma un puente para poder emplear tcnicas
matemticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia
disponibilidad de paquetes de software para muchos tipos de modelos matemticos, para micro y
minicomputadoras.
Por otro lado, existen obstculos que deben evitarse al usar modelos matemticos. Un modelo es,
necesariamente, una idealizacin abstracta del problema, por lo que casi siempre se requieren
aproximaciones y suposiciones de simplificacin si se quiere que el modelo sea manejable (susceptible de
ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una representacin vlida
del problema. El criterio apropiado para juzgar la validez de un modelo es el hecho de si predice o no con
suficiente exactitud los efectos relativos de los diferentes cursos de accin, para poder tomar una decisin
que tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o factores que tienen
aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la magnitud
absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes alternativas,
siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bastante preciso.
Entonces, todo lo que se requiere es que exista una alta correlacin entre la prediccin del modelo y lo que
ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante hacer un nmero
considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se
haya colocado despus en el orden del libro, gran parte del trabajo de validacin del modelo se lleva a cabo
durante la etapa de construccin para que sirva de gua en la obtencin del modelo matemtico.
IMPLANTACIN DE LA SOLUCIN
El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los
ejecutivos o tomadores de decisiones. Una vez superado ste obstculo, se debe traducir la solucin
encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operacin
y administracin del sistema. La etapa de implantacin de una solucin se simplifica en gran medida cuando
se ha propiciado la participacin de todos los involucrados en el problema en cada fase de la metodologa.
Preparacin para la aplicacin del modelo
Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los beneficios del estudio. Por lo
tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se
traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solucin
que salga a la luz en este momento.
El xito de la puesta en prctica depende en gran parte del apoyo que proporcionen tanto la alta
administracin como la gerencia operativa. Es ms probable que el equipo de IO obtenga este apoyo si ha
mantenido a la administracin bien informada y ha fomentado la gua de la gerencia durante el estudio. La
buena comunicacin ayuda a asegurar que el estudio logre lo que la administracin quiere y por lo tanto
merezca llevarse a la prctica. Tambin proporciona a la administracin el sentimiento de que el estudio es
suyo y esto facilita el apoyo para la implantacin.
La etapa de implantacin incluye varios pasos. Primero, el equipo de investigacin de operaciones de una
cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con
la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los
procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga
despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de
accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el
equipo de IO supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que
tenga que hacerse en el futuro.
A la culminacin del estudio, es apropiado que el equipo de investigacin de operaciones documento su
metodologa con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una rplica
debe ser parte del cdigo de tica profesional del investigador de operaciones. Esta condicin es crucial
especialmente cuando se estudian polticas gubernamentales en controversia.
DIAGNOSTICO
TIPOS DE PROBLEMAS
Planeacin de la Produccin
Distribucin
Asignacin de recursos limitados
Inventarios
Programacin de Actividades
Pronsticos de Demanda
Medio Ambiente
Anlisis de Lneas
AnalisisdedeEspera
Sistemas de Produccin
Seleccionar el Modelo
Modelos Deterministicos
Modelos Estocsticos
Programacin
Programacin
Lineal Entera Lineal
Programacin
por metas Dinmica
Optimizacin de Control
Redes
Pronsticos
de Inventarios
Simulacin
Teorade
deSistemas
Colas
Programacin
Lineal
Comportamiento futuro sistemaEstimacin
basado en de
datos
las histricos
medidas de desempeo del sistema modelad
Soluciones
Soluciones en orden
Soluciones
de prioridad
en
Soluciones
Etapas continuas
orientadas a la distribucin
Soluciones por
ptima
Determinacin
etapas (n+1) de tiempos de espera y longitud de la cola promedio
Reales
Soluciones Enteras
HERRAMIENTAS
DE
INVESTIGACIN
DE
OPERACIONES
MODELIZACIN
2.1.- MODELOS: CLASIFICACIN
En numerosas ciencias, entre ellas la Economa, se hace necesario el estudio y anlisis de fenmenos del
mundo real, y por ello se hace necesaria la aplicacin del mtodo cientfico a este estudio. Como acabamos
de ver con anterioridad una de las fases de la aplicacin del mtodo cientfico se basa en la construccin de
modelos o formulacin de hiptesis. En nuestro caso nos centraremos en la construccin de modelos.
Aunque hay numerosas acepciones y definiciones de un modelo, hemos elegido la de Aracil (1): Un modelo
constituye una representacin abstracta de un cierto aspecto de la realidad, y tiene una estructura que 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 (icnico, analgicos,
simblicos, etc.), sin embargo, solo estamos interesados en los modelos matemticos, es decir, los modelos
formales basados en la lgica matemtica, y se basan en un conjunto de relaciones matemticas (tales
como ecuaciones, inecuaciones, relaciones lgicas, etc.) que se corresponden con las relaciones del mundo
real (tales como relaciones tecnolgicas, leyes fsicas, restricciones del mercado, etc.). La importancia de la
construccin de los modelos matemticos en la Economa es evidente, no obstante vamos a enumerar
algunas de ellas (2):
1) La construccin de modelos revela, a veces, relaciones que no son evidentes a primera vista.
Este resultado se alcanza con el mejor conocimiento que se adquiere cuando se empieza a modelar, es
decir, cuando mejor se va conociendo la realidad del fenmeno que se intenta representar.
2) Una vez construido el modelo matemtico, es posible extraer de l propiedades y caractersticas de las
relaciones entre los elementos que de otra forma permaneceran ocultas. Tambin, es posible
representar situaciones complejas que no son admisibles en otro tipo de modelos, y no slo es esa
posibilidad de modelizacin, sino tambin la de resolucin del mismo, aunque no sea una solucin
analtica sino numrica (realizada por un ordenador).
3) En la mayora de las situaciones econmicas del mundo real, no es factible experimentar con la
realidad, ya que puede ser prohibitivamente caro, peligroso hasta, imposible. Por ejemplo, si se
intenta conocer el impacto de la puesta en prctica de una determinada accin de Poltica Econmica
en un determinado pas.
En este caso para evaluar las consecuencias se construye un modelo donde se puedan analizar los
resultados en diversas situaciones con un coste prcticamente nulo y sin riesgos sociales ni econmicos.
Es importante resaltar que un modelo 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 modelizacin, sobre el uso de los modelos en la
economa hay posturas diferentes, por una parte estn las personas que ponen en tela de juicio la validez
de los modelos, en tanto en cuanto, no son capaces de cuantificar muchas instancias de los problemas
reales, por ejemplo, el coste o la utilidad social. Otros niegan su utilidad basndose en el grado de precisin
de los datos a incorporar al modelo matemtico. Pero frente a estos, en el otro extremo estn los fervientes
defensores de la modelizacin total para la toma de decisiones, en este caso convendra resaltar que la
calidad de las respuestas que produce el modelo, depende obviamente, de la seguridad de su estructura y
de los datos a l incorporados, y que una excesiva confianza en ellos es peligroso.
No vamos a entrar en esta polmica, sino que lo nico que queremos es poner de manifiesto que los
modelos deben usarse como una herramienta ms para la toma de decisiones y que deben valorarse en su
justa medida, ya que difcilmente es comprensible un problema complejo sin una mnima modelizacin,
aunque tambin hay que reconocer que no es posible modelar la totalidad de las situaciones reales.
Con anterioridad nos hemos referido a tipos de modelos basados en sus formas de representacin
(Icnico, analgicos, simblicos), no obstante podemos establecer otros tipos de clasificaciones de los
modelos matemticos:
Modelos evaluativos: Una tcnica evaluativa corresponde a medir las diferentes alternativas, y as poder
comparar los resultados de ellas. Este tipo de modelos se corresponden con los denominados arboles de
decisin.
Modelos de optimizacin: Se trata de modelos que tratan de identificar un ptimo (por lo general, el optimo
global) del problema, es decir, buscan la mejor de las alternativas posibles. Estos mtodos son los que
estn basados en las tcnicas de programacin matemtica.
Otra clasificacin de los modelos se basa en la realidad que pretender modelar, as podemos hablar de:
Modelos deterministas versus modelos estocsticos. En los modelos deterministas todos los datos del
problema se conocen con absoluta certeza, mientras que cuando esto no es as tenemos los modelos
estocsticos. Por lo general los modelos ms realistas son los modelos estocsticos, pero tienen la dificultad
de poderlos resolver adecuadamente, y muchas de las tcnicas aplicables a los modelos estocsticos tratan
de reducir el problema a su versin determinista para poderlo resolver.
Modelos estticos versus modelos dinmicos. En un modelo esttico la variable tiempo no desempea un
papel relevante, mientras que en los modelos dinmicos la variable fundamental, y de la que dependen las
restante variables relevantes. Adems, la variable tiempo se considera como una variable continua.
Una vez establecida una serie de clasificaciones de los modelos, es conveniente plantear una medida de su
solucin, ya que el objetivo de plantear el modelo es el poderlo resolver y extraer de la solucin los
resultados necesarios para la toma de decisiones. El nivel de resolubilidad de los problemas es funcin de
tres caractersticas fundamentales:
a)El tamao del problema: El numero de variables y ecuaciones que contiene. Cuanto mayor sea este
nmero, ms difcil de resolver es.
b)La clase del problema: Lineal, Entero y No lineal, y adems por ese orden, es decir, los problemas
lineales son "fcilmente" resolubles, mientras que los no lineales son "intrnsecamente" difciles de
resolver.
c)El tipo de instancias utilizadas: Ciertas o deterministas, con riesgo (conocemos las probabilidades de
ocurrencia),con incertidumbre (conocemos los resultamos posibles pero no las probabilidades de
ocurrencia) y turbulencia ( no conocemos nada).
variables son deterministas o estocsticas, si son endgenas o exgenas, etc., es decir, antes que
clase de variables vamos a tratar en el problema.
c)Identificacin y formalizacin de las restricciones. Esta es tambin una fase importante, posteriormente
realizaremos algunos comentarios sobre esta fase al hablar de los problemas no lineales. Se trata en
definitiva de identificar cules son las limitaciones a las que est sujeto el problema, y el plantearlas
matemticamente. A veces esto no resulta muy sencillo. En esta fase hay que denominar e identificar a
las restricciones con los nombre adecuados, de forma que sea fcil interpretar los resultados obtenidos.
d)Por ltimo, hay que identificar la funcin objetivo, es decir, la cuantificacin de los resultados que se
desean alcanzar. Aunque no en todos los problemas es inmediato definir el objetivo, siempre es posible
encontrar una funcin que permita evaluar los resultados de cada una de las acciones.
Para verificar estas condiciones, seguidamente abordaremos algunas consideraciones para llegar a
concretar las fases enumeradas anteriormente, estos pasos son simplemente una derivacin de las reglas
del sentido comn aplicadas a la construccin de los modelos.
En primer lugar, abordaremos algunos aspectos importantes sobre los modelos lineales, lo ms usuales en
el campo econmico, para posteriormente ir aumentando la complejidad va los modelos discretos y los
modelos no lineales.
No obstante, estos principios generales se concretaran para el caso ms general de los problemas no
lineales.
los efectos sobre el modelo de la introduccin de mayor complejidad puedan ser de alguna forma
"visualizados", y poder as descubrir mucho antes las dificultades importantes que si el modelo se
plantea de forma directa en su versin ms completa.
Este procedimiento iterativo de la construccin de modelos esta especialmente indicado cuando
tenemos que modelar un sistema con algunos subsistemas interconectados, y en los cuales cada uno
de ellos requiere extensos clculos.En el caso particular de los modelos enteros, antes de decidir la
construccin de un modelo entero, debe hacerse una estimacin del tamao potencial, ya que si el
nmero de variables enteras es de algunos cientos y el modelo no tiene alguna estructura especial, es
probable entonces que el programa entero sea demasiado costoso de resolver.
(Conviene resaltar que los problemas enteros son no polinomiales, es decir, que el tiempo de
resolucin crece de forma exponencial con relacin al nmero de restricciones, pero especialmente con
relacin al nmero de variables enteras que contenga el modelo).
Vase a este respecto, el anexo de este captulo.Tambin en los problemas enteros, si el modelo
construido resulta demasiado difcil de resolver por los mtodos generales de programacin entera, es
posible a veces recurrir a los denominados mtodos heursticos que en determinadas ocasiones
pueden producir aproximaciones bastante buenas para los problemas de grandes dimensiones.
2. Evitar definir en un modelo funciones que sean el resultado de algn procedimiento iterativo (como la
solucin de una ecuacin diferencial o la resolucin de una integral).
Las funciones del modelo definidas por un procedimiento iterativo son, a menudo, una fuente de
discontinuidades que pueden impedir el avance de los procesos de optimizacin.
La solucin de estos subproblemas (aunque sea posible definirla con una precisin total) requiere un
considerable esfuerzo computacional, y esto puede considerarse como un despilfarro, dado que la
integral, la ecuacin diferencial, etc., solo es una aproximacin de algn fenmeno social ms
complicado.
Por ello, una estrategia a seguir en este caso consiste en discretizar el problema antes de aplicar el
procedimiento de optimizacin, ya que las soluciones exactas de los problemas continuos se
encuentran por refinamientos en la discretizacin entre las optimizaciones.
Como pone de manifiesto esta estrategia se ve, nuevamente, lo valioso de intercalar modelizacin y
optimizacin, puesto que la obtencin de un grado creciente de exactitud es simplemente un proceso
de modelizacin.
3. Tomar con precaucin la naturaleza de las restricciones.
Es importante analizar la naturaleza de las restricciones que intervienen en el problema con el fin de
extraer de ellas sus propiedades para mejorar la eficacia de los mtodos de optimizacin que debemos
usar.
A la hora de construir un modelo debemos separar las restricciones lineales, no lineales y de acotacin,
no solo para poder analizar mejor el modelo, sino tambin para servirnos de orientacin acerca del
software que debemos usar en cada caso concreto.
Debemos, evitar la transformacin de un tipo de restricciones en otro. La transformacin de un
problema de una forma a otra era en el pasado, a veces, inevitable cuando los algoritmos para la
optimizacin no restringida eran ms numerosos y ms efectivos que los algoritmos de optimizacin
restringida.
Era una practica comn, por ejemplo, en el caso de las restricciones de acotacin es el transformarlas
mediante un cambio de variable. No obstante, hoy por hoy, esta practica no es aconsejable y es ms
bien perjudicial, ya que los algoritmos para problemas con solamente restricciones de acotacin simple
o de cota generalizada son ms eficientes que los algoritmos para problemas no restringidos. Y
adems, en la actualidad se tiende a incorporar restricciones de acotacin sobre las variables con el fin
de acelerar el proceso.En el caso de problemas enteros, realizar un examen en profundidad de la
estructura del programa entero puede resultar muy valioso.
Puede ser, por ejemplo, un modelo de problema entero puro con una estructura unimodular, y en este
caso podra usarse la programacin lineal, la cual en un tiempo razonable resuelve un problema con
miles de variables y restricciones. Si el problema no tiene una estructura unimodular pero es parecida,
seria posible transformarlo, y en este caso siempre podra recurrirse a la literatura y a la experiencia
computacional para informarse acerca de la naturaleza y de las dificultades de los problemas con
estructura similar.
4. No evitar las restricciones de igualdad.
En este caso, no se trata tanto de convertir las restricciones lineales de igualdad en dos restricciones
de desigualdad con signos opuestos, sino que se trata ms bien de poner de manifiesto una prctica
que tambin era habitual antao.El procedimiento era el siguiente: las variables se dividan en dos
conjuntos, las variables "independientes" y las variables "dependientes", de tal modo que la
optimizacin se realizaba nicamente con las variables independientes y las variables dependientes se
determinaban al "resolver" las restricciones de igualdad, es decir encontrando la solucin a ese sistema
de ecuaciones no lineales formado por las variables dependientes una vez hallados los valores de las
otras variables.
Esta prctica, que como hemos dicho era habitual antao debido a las deficiencias del software, en la
actualidad es de todo punto inviable no solo por lo errneo del procedimiento sino tambin porque el
esfuerzo computacional que requiere no compensa la realizacin de la optimizacin completa.
5. Distinguir entre las restricciones "hard" y "soft".
Se denota, por lo general, restricciones "hard" a aquellas restricciones que no es posible violarlas, mientras
que por restricciones "soft" se denotan aquellas restricciones en las que esta permitido que puedan violarse,
si con ello se consigue una mejora sustancial, tanto en el modelo como en el procedimiento de optimizacin.
Por ejemplo, en un modelo de planificacin de la produccin la disponibilidad de espacio de la planta seria
una restriccin del tipo "hard", es decir que no puede violarse, mientras que las disponibilidades de mano
de obra no especializada seria una restriccin "soft", restriccin que podra violarse contratando a nuevos
trabajadores a corto plazo.
En general, las restricciones "soft" suponen un coste por la violacin, por tanto, se trata de evaluar el coste
de esa violacin en trminos de mejora de la funcin, y por ello, tambin se introducen variables de
desviacin para poder evaluar este impacto. Una consideracin sobre la introduccin de estas variables la
podremos ver en el capitulo dedicado a la optimizacin con objetivos mltiples.
6.- Evitar crear modelos que tengan restricciones de igualdad similares, es decir, que sean casi
dependientes.El plantear modelos con restricciones que sean muy similares puede provocar que al
introducir pequeas variaciones en los datos del modelo se produzca una distorsin muy grande en los
resultados esperados del modelo. Recurdese que los puntos factibles del modelo se obtienen de la
interseccin de todas las restricciones, cuando dos restricciones son casi dependientes se convierten en
casi paralelas, con lo que ello significa de alteracin de las posibles soluciones, para ilustrar este caso
consideremos el siguiente pequeo ejemplo, de un sistema lineal de dos ecuaciones con dos incgnitas:
Sea el sistema:
x+
y=2
x + 1,0001 y = 2
este sistema tiene como solucin : x = 2 e y = 0.
Pero consideremos ahora una pequea variacin en el termino independiente de la segunda restriccin, es
decir, que en lugar de ser 2 sea 2,0001, el nuevo sistema es:
x + y=2
x + 1,0001 y = 2,0001
este sistema tiene como solucin: x = 1 e y = 1, notablemente distinta de la anterior. Por tanto, en
la medida de lo posible debemos evitar el construir en el modelo este tipo de restricciones.
La razn est en que el determinante de la matiz esta muy prximo al valor cero, es decir, es una matriz
casi-singular.
7.- Usar toda la informacin disponible sobre el problema para el escalamiento de las variables y las
restricciones. La escala de un problema es la medida de la importancia de las variables y las restricciones,
es decir, es una magnitud que nos informa de que es "grande" o "pequeo" en el modelo, es decir, de lo
importante o no que puede resultar una variable o una restriccin en el conjunto del modelo.
Es importante resaltar la trascendencia respecto de la correcta resolucin del modelo, el que tanto las
variables como las restricciones estn perfectamente escaladas, es decir, este correctamente ponderada su
importancia.
Ello significa, tomando como ejemplo una variable, que si el valor que se espera pueda tomar al resolver el
modelo tenga un numero significativo de dgitos (por ejemplo, la variable representa varios miles de millones
de pesetas) en este caso seria conveniente que en lugar de expresar la variable en bolvares se expresase
en millones de bolvares, con ello se evita la perdida de significacin que se produce por la necesidad de
almacenamiento en los ordenadores.
Un caso similar, pero de significado opuesto ocurre cuando la magnitud de la variable es infinitesimal. Por
ejemplo, en un problema de mezcla cuando la magnitud de la variable es de orden de 10 (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 anlisis, como cero si es inferior a la condicin de tolerancia de factibilidad
definida, y por ello seria conveniente amplificar su valor tomando el significado de la variable como
millonsimas partes. El obviar estas consideraciones puede repercutir negativamente en la exactitud de la
solucin. Hay que notar que estas transformaciones tendrn un efecto posterior sobre otras magnitudes del
la solucin , por ello hay que tener la precaucin de una vez resuelto el problema interpretar correctamente
los resultados y las posibles implicaciones.
2.4.- COMPLEJIDAD
Vamos a describir el tamao y el tiempo de resolucin en los problemas enteros-binarios. As, por ejemplo,
consideremos un problema con el siguiente nmero de variables:
Si hay una variable binaria el nmero 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 as sucesivamente, de la
forma 2^n.
Muchas veces no somos conscientes de la numerabilidad de las soluciones, as 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 nmero de posibles soluciones es de 2^20 =
1.048.576.
Si observamos que el nmero de variables se ha multiplicado por 2 el nmero 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 tamao pequeo -medio). Como ya
sabemos, el nmero de posibles soluciones es de 2^100. Parece un nmero grande pero no sabemos
cunto, si lo transformamos en potencia de 10, tenemos: 1,26765E+30, es decir un numero con 30 cifras.
Parece grande, pero veamos realmente lo difcil que resulta analizar todas las soluciones. Para ello
supongamos que disponemos de un ordenador capaz de analizar todas las combinaciones posibles. Ese
ordenador ser 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 cunto tiempo
tardara este superordenador en evaluar todas las posibles soluciones: 10 minutos, 15 das, 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 nmero 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.
As sucesivamente, pero ya vemos que el nmero de horas es grande, pero hasta cuanto tiempo sera
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 conclusin que aun disponiendo de un
superodenador desde el comienzo de los tiempos, aun nos faltaran 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.