1.

La Investigacin Operativa

Pocas situaciones en la vida no son susceptibles de ser descritas en trminos de optimizacin

1.1

Qu es la Investigacin Operativa?

Existen varias definiciones diferentes de lo que es la Investigacin Operativa (IO). Por

ejemplo:
Un mtodo cientfico para dotar a los departamentos ejecutivos de una base cuantitativa para las
decisiones que tengan que ver con las operaciones bajo su control (McCord y Kimball, 1951).
El uso de la lgica y de la matemtica de forma que no interfieran con el sentido comn
(Woolsey, 1980).
La ciencia que estudia el modelado de sistemas probabilsticos y determinsticos que se originan
en la vida real desde un punto de vista de toma de decisiones ptimas (Hillier and Lieberman,
1990).
El estudio de cmo formular modelos matemticos para problemas complejos de administracin e
ingeniera y cmo analizarlos para tener una visin de las posibles soluciones (Rardin, 1998).
Quizs la definicin de intencionalidad ms generalista pero a la vez ms completa en
cuanto a lo descriptiva es la que aparece en el texto (Lawrence y Pasternak, 1998):
Un enfoque cientfico para la toma de decisiones ejecutivas, que consiste en:
a) el arte de modelar situaciones complejas;
b) la ciencia de desarrollar tcnicas de solucin para resolver dichos modelos y
c) la capacidad de comunicar efectivamente los resultados.
A la que en mi opinin slo le faltara incluir el objetivo general de la IO: estudiar la
asignacin ptima de recursos escasos a determinada actividad.
A menudo la Investigacin Operativa es denominada Ciencia de la Administracin. Esta
ciencia, tal como la conocemos hoy, se desarroll a partir de los grandes xitos obtenidos
mediante su aplicacin a la resolucin de problemas de organizacin militar en la Segunda
Guerra Mundial. Por ello recibi el nombre de Investigacin Operativa (Operations Research).
Cuando estas tcnicas fueron introducindose en el mundo de los negocios como ayuda a la
toma de decisiones, se acu el trmino Ciencia de la Administracin o Ciencias de la Gestin
(Management Science). En la actualidad hay muy poca distincin entre ambos trminos, y
ambos se usan indistintamente en la literatura.

1.2

Comentarios histricos

Hacer un uso ptimo de los recursos disponibles es un problema tan antiguo como la
humanidad. Sin embargo, hasta finales del siglo XIX y principios del XX no empezaron a
tomar forma los rudimentos de la Investigacin Operativa tal y como la conocemos hoy. Las

primeras investigaciones de inters son de las dos primeras dcadas del siglo XX: los
diagramas de Gantt para Planificacin de Proyectos, los estudios de Markov sobre Procesos
Estocsticos, la Teora de Colas, etc. Pero muchos expertos en la materia sitan sus orgenes
en la Segunda Guerra Mundial, cuando la confianza en la intuicin comenz a desvanecerse,
y se empezaron a utilizar tcnicas de Investigacin Operativa para la toma de decisiones
bajo escasez de recursos. Para maximizar el rendimiento, era necesario asignar los recursos
disponibles, de un modo efectivo, a las diversas operaciones y actividades. Los dirigentes
militares britnicos encargaron a cientficos e ingenieros el anlisis de varios problemas:
despliegue de radares, manejo de operaciones de bombardeo, colocacin de minas, etc. Las
administraciones britnica y americana formaron grupos de trabajo, compuestos por gran
nmero de cientficos (matemticos, estadsticos, fsicos, bilogos y psiclogos) para hacer
una distribucin racional, ms fiable que la dada por la intuicin, de los medios con los que
contaban. Los esfuerzos de este primer grupo de Investigacin Operativa fueron decisivos
para ganar combates tan importantes como la Batalla Area Britnica, la Batalla del
Atlntico Norte y la Campaa de las Islas del Pacfico.
Despus de la guerra, estos xitos atrajeron la atencin de la industria, que quera
solucionar nuevos problemas causados por el aumento de la complejidad de los procesos
industriales y una mayor especializacin en los mismos, lo que creaba una posible
incompatibilidad de objetivos. Adems, podemos identificar al menos otros dos factores que
contribuyeron significativamente al gran avance de esta ciencia en ese perodo. De un lado,
las mejoras sustanciales que se obtenan al desarrollar y perfeccionar las tcnicas de
Investigacin Operativa, y de otro, el desarrollo paralelo de los ordenadores, que aument
de forma espectacular la capacidad de almacenamiento de datos y la velocidad de
resolucin de los problemas.
Uno de las reas ms importantes y activas de la Investigacin Operativa es la
Programacin Lineal. Los problemas de Programacin Lineal se basan en la optimizacin
de una funcin lineal, la funcin objetivo, sujeta a una serie de restricciones lineales de igualdad
o desigualdad de las variables. El reconocimiento de la importancia de este tipo de problema
coincidi con el desarrollo de un mtodo eficiente, el Mtodo Smplex (George Dantzing,
1941) y un medio, el ordenador, para aplicarlo. Una buena parte de los fundamentos de la
Programacin Lineal se descubri en un perodo sorprendentemente corto de tiempo de
intensa labor de investigacin y desarrollo, entre los aos 1947 y 1949. En la actualidad, el
Algoritmo Smplex es una herramienta estndar que ha ahorrado enormes cantidades de
dinero a la mayora de las empresas o compaas en los pases industrializados, y su uso en
otros sectores de la sociedad avanza rpidamente. Se han escrito docenas de libros sobre
Programacin Lineal y publicado centenares de artculos describiendo aplicaciones
importantes. Recientemente, el Algoritmo Smplex ha sido elegido como uno de los diez
algoritmos de mayor influencia en el desarrollo y la prctica de la ciencia y la ingeniera en el siglo
XX (Nash, 2002).
Uno de los descubrimientos ms importantes en el desarrollo reciente de la Programacin
Lineal es el concepto de dualidad. Cada problema de Programacin Lineal tiene asociado otro
problema del mismo tipo que se denomina el problema dual. Las relaciones existentes entre el
problema original (problema primal) y su dual son muy tiles en muchas situaciones. En
1954, Lemke desarroll el Mtodo Dual del Smplex que conduce desde una solucin
ptima que no cumple las condiciones de no negatividad a la solucin final del problema.
Este mtodo ser fundamental en el desarrollo de algunos algoritmos para Programacin
Entera. En 1956, Dantzing, Fold y Fulkerson desarrollaron el Algoritmo Primal-Dual
General, que resuelve problemas de Programacin Lineal trabajando simultneamente con

los problemas Primal y Dual. Originalmente, este algoritmo fue creado para resolver un tipo
especial de problemas que surgieron en Flujo de Redes. Basndose en la Teora de la
Dualidad, se desarroll el Anlisis de Sensibilidad, que constituye una parte clave en
cualquier estudio de Programacin Lineal, pues muchos de los valores de los parmetros
usados en los modelos son estimaciones y no valores exactos, y por tanto es necesario
investigar qu efecto tendra la variacin de alguno de ellos en la solucin final.
En los ltimos aos, la Programacin Lineal ha vuelto a ser un foco de atencin
mayoritaria y un rea de investigacin muy activa. La causa de este auge ha sido el
desarrollo de dos algoritmos que difieren radicalmente del Mtodo Smplex: el primero es el
Mtodo del Elipsoide, desarrollado independientemente por Shor (1970) y Yudin y
Nemiroviskii (1976) para Programacin Convexa No Diferenciable, aunque fue Kachian
quien demostr en 1979 que dicho mtodo puede resolver problemas de Programacin
Lineal rpidamente en un sentido terico, y el segundo es el Algoritmo de Punto Interior
Proyectivo de Karmarkar (1984) que constituye una potente y prometedora herramienta
para resolver problemas grandes, pues es un algoritmo de tiempo polinomial, a diferencia
del Smplex, que es un algoritmo de tiempo exponencial.
En muchas situaciones de la vida real, las variables representan objetos indivisibles y por
tanto deben tomar valores enteros. Como respuesta a esta necesidad surgen algoritmos de
resolucin para problemas de Programacin Lineal Entera. A finales de los aos 50 y
principios de los 60, Ralph Gomory inici sus trabajos en esta rama de la Optimizacin, y
dise el Mtodo de los Planos Cortantes de Gomory, que contribuye en gran medida a
profundizar en el conocimiento del problema. En 1970 Mitten public un artculo en el que
se recogan los Mtodos de Separacin y Acotacin para la resolucin de este tipo de
problemas, que fueron desarrollados durante la dcada de los 60. Estos mtodos se basan en
principios muy simples y funcionan muy bien para problemas con menos de cien variables,
pero un crecimiento pequeo del tamao del problema puede provocar tiempos de
computacin demasiado grandes, ya que dichos periodos crecen exponencialmente. Muchos
problemas importantes que surgan en la prctica no podan ser resueltos, y este crecimiento
exponencial pareca difcil de superar. Sin embargo, a mediados de los aos 80 se publicaron
artculos clave que marcaron una nueva era en la metodologa de la solucin de problemas
de Programacin Entera. Las nuevas aproximaciones algortmicas combinan el preprocesamiento automtico de los problemas, la generacin de planos cortantes y algunas
tcnicas de separacin y acotacin. Cuando ni siquiera estos algoritmos pueden encontrar la
solucin ptima para un modelo real, se suele resolver el problema sin la restriccin de que
los valores de las variables sean enteros, redondeando posteriormente la solucin obtenida.
Esta tcnica resulta normalmente muy poco satisfactoria, pues la solucin autntica del
problema puede estar muy lejos de la solucin redondeada. Para solventar estos problemas,
disponemos actualmente de Algoritmos Heursticos bastante eficientes, los cuales suelen
encontrar de una forma rpida soluciones factibles aceptables que, aunque no sean
necesariamente ptimas, estn ms cerca de la solucin final que las soluciones
redondeadas.
Dentro de los problemas de Programacin Lineal existen dos que por su especial
estructura permiten el desarrollo y aplicacin de algoritmos especiales: el problema del
transporte y el problema de asignacin. En el problema del transporte, el objetivo es llevar
ciertas cantidades de productos desde varios orgenes a diferentes destinos, de forma que
alguna medida de la efectividad de la operacin sea ptima. En 1941, Hitchcock formul el
problema en la forma que lo conocemos hoy. Asimismo, Koopman public en 1947 un
artculo que tambin contribuy significativamente al planteamiento original del problema,

y Dantzing desarroll en 1951 el Mtodo Smplex para el Problema del Transporte. El

problema de asignacin es a su vez un caso especial del problema del transporte en el que se
deben asignar ciertos objetos a ciertas tareas de forma unvoca. La estructura particular del
problema hace que las soluciones sean degeneradas y permiti a los matemticos hngaros
Knig y Egervry demostrar un teorema esencial para el desarrollo del mtodo hngaro,
que se fundamenta en la idea de que se puede sumar o restar una constante de cualquier fila
o columna sin cambiar el conjunto de soluciones ptimas. Basndose en el trabajo de Knig,
Kuhn ide en 1955 el Mtodo Hngaro.
Uno de los desarrollos ms espectaculares en Investigacin Operativa ha sido el gran
avance en la metodologa y aplicacin de los modelos de Optimizacin de Redes. El Anlisis
de Redes tiene sus fundamentos tericos en la Teora de Grafos, una rama de las
matemticas que nace en 1736 con la formulacin (realizada por Leonhard Euler) del famoso
problema de los puentes de Knigsberg. En 1959, Dijkstra present en su trabajo A note on
two problems in connection with graphs uno de los algoritmos ms sencillos y eficientes para
la resolucin del problema del camino ms corto, que se conoce con el nombre de Algoritmo
de Dijkstra. Para el problema del flujo mximo, Fold y Fulkerson disearon en 1962 el
Algoritmo del Aumento de Flujo. Asimismo, el Algoritmo para la Bsqueda del rbol de
Expansin Minimal se debe a Kruskal, que lo desarroll en 1957. Otro tipo de problemas de
redes de gran relevancia, en cuanto a aplicaciones prcticas se refiere, es la Planificacin de
Proyectos. Para dirigir con xito un proyecto a gran escala se debe realizar cuidadosamente
la planificacin y coordinacin de las diferentes actividades que lo componen. Para ayudar a
esa tarea, a mediados de los aos cincuenta se crearon procedimientos formales basados en
el uso de redes. Los dos procedimientos ms usados son CPM (Critical Path Method), que se
emplea para determinar el retraso que puede sufrir la ejecucin de cada actividad sin
retrasar el proyecto, en el caso en que la duracin de cada una de ellas se conozca con
certidumbre, y PERT (Program Evaluation and Review Technique), desarrollado en 1950
por auditores que trabajaban en la construccin del misil Polaris, y que se usa cuando la
duracin de las diferentes actividades que componen el proyecto es incierta. Al usar estas
dos tcnicas en la construccin del misil Polaris, el proyecto se finaliz dos aos antes de lo
planificado inicialmente, lo cual hizo que ganaran muchos adeptos.
Dos son las crticas que se hacen ms frecuentemente a la Programacin Lineal. En
primer lugar, la hiptesis de linealidad de todas las funciones que aparecen en el modelo
parece demasiado restrictiva, y muchos de los problemas reales no la cumplen y por tanto
no se pueden resolver aplicando este tipo de tcnicas. En segundo lugar, en los problemas
reales casi nunca aparece una nica y bien definida funcin objetivo a optimizar, sino que
frecuentemente la decisin se debe tomar en base a varios objetivos, la mayora de las veces
incompatibles entre s. Como respuesta a cada una de estas crticas tenemos nuevos temas
dentro de la Investigacin Operativa: La Programacin no Lineal y la Teora de la Decisin
Multicriterio, de las que pasamos a hablar a continuacin.
Aunque los problemas de Programacin Lineal tienen multitud de aplicaciones, en
muchos problemas interesantes de optimizacin puede ocurrir que la funcin objetivo y/o
las restricciones no sean lineales. Dos de los conceptos fundamentales para la resolucin de
problemas de este tipo son el concepto de convexidad de conjuntos, que fue estudiado en
detalle por Minkowski en 1911, y el concepto de convexidad de funciones, que normalmente se
atribuye a Jensen (1906). Desde que Lagrange (1736-1813) desarroll la Teora Fundamental
de los Multiplicadores para el tratamiento de problemas de Optimizacin con Restricciones
de Igualdad, se han creado muchos mtodos para resolver diferentes problemas de

Programacin No Lineal, entre los cuales podemos destacar las Condiciones de KarushKuhn-Tucker para el caso general, que fueron desarrolladas independientemente por
Karush (1939) y Kuhn y Tucker (1951). Para la Programacin Convexa se trabaja
actualmente con tres tipos de algoritmos diferentes:
Los algoritmos de tipo gradiente, entre los cuales merece la pena destacar el Mtodo
del Gradiente Reducido Generalizado (Lasdon y Warren, 1978).
Los algoritmos secuenciales irrestrictos, que incluyen el Mtodo de Funcin Barrera
que fue propuesto por Carroll en 1961, y el Mtodo de Funcin de Penalizacin, cuyo
uso en la resolucin de problemas con restricciones se suele atribuir a Courant, aunque
fueron Camp en 1955 y Pietrgykowski en 1962 quienes discutieron el uso de esta
aproximacin para resolver problemas de programacin no lineal.
Los algoritmos de aproximacin secuencial, (incluyendo los mtodos de aproximacin
lineal y aproximacin cuadrtica), como por ejemplo el Algoritmo de Frank-Wolfe
(1956), que combina aproximaciones lineales de la funcin objetivo (lo cual nos permite
usar el Algoritmo Smplex) con el procedimiento de bsqueda unidimensional.
El anlisis de problemas de decisin con criterios mltiples constituye quizs el rea de
desarrollo ms activa en los ltimos aos en el campo de las ciencias de la decisin. Esta
importante rama de la Investigacin Operativa surgi como crtica al paradigma decisional
tradicional en el que se trataba de tomar decisiones en base a un nico criterio, cuando en
muchos casos de la vida ordinaria el decisor desea ordenar el conjunto de soluciones
factibles atendiendo a diferentes criterios que reflejen sus particulares preferencias. Los
primeros trabajos en esta rama se deben a Koopmans (1951), que desarrolla el concepto de
vector eficiente o no-dominado, y a Kuhn y Tucker (1951), que deducen las condiciones que
garantizan la existencia de soluciones eficientes. Otro trabajo crucial para el desarrollo del
paradigma multicriterio es el de Charnes, Cooper y Ferguson (1955), donde se presentan los
aspectos esenciales de la Programacin Por Metas que posteriormente desarrollan Charnes y
Cooper (1961) en su ya clsico trabajo Management Models and Industrial Applications of Linear
Programming. El indiscutible xito y apoyo sociolgico por parte de la comunidad cientfica
al paradigma multicriterio ha motivado la creacin de sociedades y revistas especialmente
dedicada a este tipo de temas.
Los problemas de Optimizacin Combinatoria tratan de encontrar la solucin ptima de
un nmero finito o infinito numerable de alternativas. En las ltimas dcadas han surgido
gran variedad de este tipo de problemas en reas tan diversas como la Investigacin
Operativa, las Ciencias de la Computacin, la Ingeniera, etc. Entre todos los problemas de
Optimizacin Combinatoria tal vez el ms conocido sea el Problema del Viajante de Comercio.
Un logro importante en la resolucin de este tipo de problemas es la conjetura establecida a
finales de los aos sesenta, que dice que existe una clase de problemas combinatorios con
una complejidad intrnseca tan grande que cualquier algoritmo que lo resuelva requiere
tiempos computacionales que crecen polinomialmente con el tamao del problema. A partir
de esta conjetura surge la Teora de la NP-completitud y el concepto de Problema Duro,
cuyos primeros artculos se deben a Cook (1971,1972), Karp (1972) y Levin (1973). Para este
tipo de problemas se utilizan los llamados Algoritmos de Aproximacin, que proporcionan
soluciones prximas al ptimo en tiempos de computacin razonables. Entre ellos merece
destacarse las Tcnicas de Enfriamiento Estadstico, que introdujeron Kirkpatrick, Gellat y
Vechi (1982, 1983) e independientemente Cerny (1985). Los conceptos bsicos de estas
tcnicas se basan en una fuerte analoga con el proceso fsico de enfriamiento de slidos. Un
rasgo caracterstico de este mtodo es que encuentra soluciones de alta calidad que no
dependen fuertemente de la eleccin de la solucin inicial, es decir, es efectivo y robusto.

Adems es posible dar una cota superior de tipo polinomial sobre los tiempos de
computacin para algunas implementaciones del algoritmo. As, el mtodo no presenta los
inconvenientes que presentan los algoritmos de bsqueda local y se puede aplicar de forma
general, lo que lo convierte en un interesante algoritmo general de aproximacin.
En la misma lnea de intentar imitar procesos naturales que se sigue en el diseo de las
tcnicas de Enfriamiento Estadstico se encuentran las tcnicas agrupadas bajo el nombre de
Algoritmos Evolutivos, quizs una de las reas en las que ms intensamente se trabaja en la
actualidad. Los algoritmos evolutivos son un conjunto de metaheursticos modernos
utilizados con xito en un nmero elevado de aplicaciones reales de gran complejidad. Su
xito resolviendo problemas difciles ha sido el motor de un campo conocido como
Computacin Evolutiva, en el que se encuadran estudios sobre aplicabilidad, complejidad
algortmica, fundamentos de funcionamiento y muchos otros aspectos, con el objetivo de
facilitar la promocin y comprensin de los algoritmos evolutivos a nuevos campos de
trabajo. En la actualidad, se entiende la computacin evolutiva como un concepto adaptable
para la resolucin de problemas, especialmente apropiado para problemas de optimizacin
complejos. Esta visin es la alternativa a algunas descripciones en desuso que muestran a la
computacin evolutiva como una coleccin de algoritmos parecidos listos para ser usados en
cualquier problema.
En la actualidad, y dado el gran impacto de las tcnicas de IO, hay muchas asociaciones
profesionales dedicadas a este campo. Hoy en da hay ms de cuarenta y cuatro pases que
son miembros de la International Federation of Operational Research Societies (IFORS,
http://www.ifors.org), organizacin mundial cuyo objetivo es el desarrollo de la
Investigacin Operativa como una ciencia unificada y su avance en todas las naciones del
mundo.

1.3

Clasificacin de los problemas de Investigacin Operativa

Los problemas de IO se pueden clasificar de dos modos diferentes: a) atendiendo al objetivo

del problema y b) por el grado de certidumbre de los datos.

1.3.1 Clasificacin segn el objetivo del problema

De acuerdo a este criterio, los problemas de IO se clasifican en:
Modelos de optimizacin, cuyo objetivo es maximizar cierta cantidad (beneficio,
eficiencia) o minimizar cierta medida (coste, tiempo), quizs teniendo en cuenta una
serie de limitaciones o requisitos que restringen la decisin (disponibilidad de capital,
personal, material, requisitos para cumplir fechas lmite, etc.). Ejemplos clebres de
modelos de optimizacin son:
Problemas de secuenciacin, que se ocupan de colocar objetos en cierto orden. Por
ejemplo, supongamos que tenemos N trabajos que deben ser procesados en el mismo
orden en M mquinas distintas en las que requieren tiempos de procesamiento
diferentes. De qu forma se deben ordenar los trabajos para que el tiempo total de
procesamiento de stos en cada una de las mquinas sea mnimo?
Problemas de localizacin, que consisten en realizar una asignacin de recursos a
actividades de manera que se optimice cierta medida de efectividad. Por ejemplo, si
la medida de efectividad viene dada por una funcin lineal con varias variables que
debe cumplir un conjunto de restricciones definidas por funciones lineales de dichas
variables, el problema es de Programacin Lineal. Si hay que asignar unvocamente
-

objetos a tareas para optimizar alguna medida como puede ser un tiempo o un costo,
el problema es de Asignacin. Si tenemos que distribuir objetos desde ciertos
orgenes a varios destinos de forma que cierta funcin lineal alcance su valor ptimo,
estamos ante un problema de Transporte o Transbordo.
Problemas de rutas, que tratan de encontrar la ruta ptima desde un origen a un
destino cuando existen varias alternativas posibles. El ejemplo ms caracterstico es
el clsico Problema del Viajante de Comercio. Un viajante de comercio tiene que
visitar N ciudades una y slo una vez antes de volver a su origen. En qu orden
debe visitarlas para minimizar la distancia total viajada?. Este problema de
formulacin tan sencilla es, en muchos casos, muy difcil de resolver.
Problemas de bsqueda, que difieren de los otros tipos de problemas que hemos
discutido en que hay que buscar cierta informacin que es necesaria para tomar una
decisin. Algunos ejemplos son: buscar barcos enemigos en el ocano, realizar
auditoras en empresas en busca de trampas o errores, realizar exploraciones de la
tierra para encontrar recursos naturales como petrleo, cobre, etc. En cada caso el
objetivo es minimizar tanto los costos asociados con la recoleccin y anlisis de datos
para reducir los errores de decisin como los propios costos de decisin. La Teora de
la Decisin Estadstica proporciona una base para resolver muchos problemas de
bsqueda.
Modelos de prediccin, cuyo objetivo es describir o predecir sucesos (nivel de ventas,
fechas de terminacin de proyectos, nmero de clientes, etc.) dadas ciertas condiciones.
Ejemplos de estos modelos son:
Problemas de reemplazamiento, que se ocupan de decidir el tiempo adecuado para
reemplazar los equipos que fallan o se deterioran. Uno de los problemas que se
ajusta a este planteamiento nos es muy conocido: Cundo debemos cambiar de
coche?. Como cada uno tiene su propia medida de efectividad, no hay una respuesta
nica an suponiendo que los coches tuvieran exactamente el mismo rendimiento.
Otros problemas bastante cotidianos que encajan en este marco son el problema de
reemplazamiento de maquinaria industrial, de ordenadores en centros de clculo,
establecimiento de garantas, etc.
Problemas de inventario, que consisten en determinar la cantidad ideal de productos
que se deben tener disponibles en una tienda o almacn. Si un cliente quiere comprar
una cierta cantidad de productos pero no estn disponibles, esto supondra una
venta perdida. Por otro lado, si hay un exceso de productos, el costo de
almacenamiento puede ser demasiado grande. El objetivo de este problema es
encontrar un punto de equilibrio.
Problemas de colas, que son desgraciadamente muy cotidianos. Esperamos en colas
para coger el autobs, para poner una transferencia, etc. Cualquier problema en el
que haya que esperar para obtener un servicio es un problema de colas. Estos
problemas vienen definidos por la distribucin de los tiempos entre dos llegadas
consecutivas al sistema, la distribucin de los tiempos de servicio de cada uno de los
dependientes, el nmero de dependientes presentes en el sistema, la disciplina de la
cola y el tamao de la sala de espera. El objetivo del problema es encontrar una
forma de mejorar el rendimiento global del sistema, que se mide normalmente
atendiendo al tamao de la cola, o bien al tiempo que transcurre desde que un cliente
llega al sistema hasta que lo abandona (tiempo de respuesta). En la gran variedad
existente de libros de Teora de Colas se proponen soluciones para muchos modelos
-

de este tipo, pero los problemas reales son tan complejos y sus componentes estn
tan interconectadas que la simulacin es un aspecto vital en este rea.
Problemas de competencia, que surgen cuando dos o ms objetos compiten por un
recurso. Muchas veces un problema de competencia consiste en una lucha para
obtener un contrato para prestar cierto servicio o conseguir un privilegio. Resolver
un problema de este tipo conlleva un proceso subyacente de Toma de Decisiones.

1.3.2 Clasificacin segn la naturaleza de los datos

Otra clasificacin que surge de los problemas de Investigacin Operativa atiende ms bien
al tipo de modelo donde encaja el problema. En algunos casos tendremos que ajustar el
problema con un Modelo Determinstico, en el cual todos los datos importantes del mismo se
suponen conocidos, pero en otros, algunos de estos datos se consideran inciertos y
normalmente vienen dados por una probabilidad por lo que ser necesario la utilizacin de
un Modelo Probabilstico. Sin embargo, existen modelos que conviene tratar como Hbridos de
estas dos categoras. En la siguiente figura se hace una agrupacin aproximada, a grandes
rasgos, de los diferentes tipos de problema dentro de la categora a la que pertenecen:
Modelos de
Investigacin Operativa

Determinsticos

Hbridos

Estocsticos

Optimizacin
No Lineal

Optimizacin
Lineal

Planificacin
de proyectos

Anlisis de
decisin

Mtodos
clsicos

Programacin
Lineal

Programacin
Dinmica

Procesos
estocsticos

Mtodos de
bsqueda

Transporte y
asignacin

Modelos de
inventario

Teora de
colas

Programacin
No Lineal

Programacin
Entera y Binaria

Simulacin

Problemas de
redes

Programacin
Multicriterio

Figura 1. Clasificacin de los problemas de IO atendiendo a la naturaleza del modelo.

Una vez clasificados los problemas de Investigacin Operativa, pasamos a describir el

proceso de resolucin de los mismos.

1.4

Metodologa de la Investigacin Operativa

En su forma ms simple, la Investigacin Operativa puede considerarse como un

procedimiento que consta de cuatro pasos o etapas, tal como se muestra en la Figura 2:

Paso 1
Definicin del problema
Paso 2
Modelado matemtico
Paso 3
Solucin del modelo
Paso 4
Presentacin/Implementacin resultados

Figura 2. Metodologa de la Investigacin Operativa.

Sin embargo, los proyectos raramente se ajustan totalmente a este esquema en cascada,
sino que normalmente los modelos han de ser revisados, las soluciones han de ser
modificadas o los informes han de ser reescritos a medida que se modifican y ajustan el
conjunto inicial de datos e hiptesis. Por tanto, algunas partes del proceso deben repetirse
hasta que se encuentra una solucin adecuada.
Paso 1. Definicin del problema
Quizs la parte ms importante de todo el proceso sea la definicin del problema. Una
respuesta incorrecta a una pregunta correcta no suele tener consecuencias fatales, ya que se
pueden hacer revisiones y explorar otras alternativas: sin embargo, la respuesta correcta a
una pregunta incorrecta puede ser desastrosa. Es importante que el problema est
claramente definido antes de invertir una gran cantidad de trabajo y energa en resolverlo.
A la hora de definir el problema, el analista debe enfrentarse a uno o ms de los factores
siguientes: datos incompletos, conflictivos o difusos; diferencias de opinin; presupuestos o
tiempos limitados; cuestiones polticas; el decisor no tiene una idea firme de qu quiere
realmente. Para tratar con estos problemas, un buen plan de trabajo es el siguiente:
1. Observar. El analista debe realizar un esfuerzo para contemplar el problema desde
diferentes puntos de vista, de modo que termine entendiendo el problema tan bien o
mejor que las personas directamente implicadas.
2. Ser consciente de las realidades polticas. Casi siempre hay conflictos entre los jefes y los
trabajadores, o entre varios jefes. Para el analista, esto significa que a menudo recibir
informacin distorsionada o incompleta de cada grupo.
3. Decidir qu se quiere realmente. El analista debe estar seguro de que la compaa tiene
claros sus objetivos antes de desarrollar y resolver un modelo.
4. Identificar las restricciones. Es importante saber qu tipo de limitaciones pueden afectar
la decisin final, para posteriormente incluirlas en el modelo.
5. Buscar informacin de modo continuo. A lo largo de todo el proceso, el analista no debera
perder el contacto con el decisor. Esto permite que ambos modifiquen de forma
continua sus observaciones iniciales y estn al da del desarrollo del proceso.
Paso 2. Modelado matemtico
El modelado matemtico es un procedimiento que reconoce y verbaliza un problema para
posteriormente cuantificarlo transformando las expresiones verbales en expresiones
matemticas. El modelado matemtico es un arte, que mejora con la prctica. El proceso del
modelado matemtico consta de cuatro pasos, que se ilustran en la siguiente figura:

MODELADO MATEMTICO
Paso 1. Identificar las variables de decisin
Paso 2. Identificar la funcin objetivo
Paso 3. Identificar las restricciones
Paso 4. Traducir los elementos anteriores a un modelo matemtico

Figura 3. Etapas del modelado matemtico.

1. Identificar las variables de decisin.

Un paso crucial en la construccin de un modelo matemtico es determinar aquellos factores
sobre los que el decisor tiene control, que normalmente se llaman variables de decisin del
problema. Hay que distinguir entre lo que est a nuestro alcance cambiar (por ejemplo, la
cantidad de artculos a producir de cada producto o el material a utilizar) de aquello que no
podemos modificar (como el nmero de horas de trabajo disponibles o fechas lmite a
cumplir), que normalmente denominaremos parmetros. Segn el tipo de problema, lo que a
veces es una variable de decisin en otros casos puede ser un parmetro o viceversa.
En muchos casos, definir las variables de decisin es la etapa ms difcil, pues una vez
que estn bien definidas, el resto del proceso fluye de modo natural. Sin embargo, una
definicin incorrecta de las variables de decisin bloquea totalmente el resto del problema.
Para identificar las variables de decisin, puede ser til hacerse las siguientes preguntas:
qu es lo que hay que decidir? o sobre qu elementos tenemos control? o cul sera una
respuesta vlida para este caso?.
2. Identificar la funcin objetivo.
El objetivo de la mayora de los estudios de IO, y el de todos los modelos de optimizacin, es
encontrar el modo de optimizar alguna medida respetando las restricciones existentes.
Aunque una compaa quizs est satisfecha con una mejora sustancial de la situacin
actual, normalmente el objetivo es buscar el valor ptimo para cierta funcin.
A la hora de encontrar la funcin objetivo, la pregunta que podemos hacernos es qu es
lo que queremos conseguir? o Si yo fuera el jefe de esta empresa, qu me interesara ms?.
3. Identificar las restricciones.
En la bsqueda de la solucin ptima, normalmente existen ciertas restricciones
(limitaciones, requisitos) que limitan nuestra decisin. Ejemplos de restricciones frecuentes
son: los recursos disponibles (trabajadores, mquinas, material, etc.) son limitados; fechas
lmite impuestas por los contratos; restricciones impuestas por la naturaleza del problema
(por ejemplo: el flujo de entrada a un nodo debe ser igual al flujo de salida)
4. Traducir todos los elementos bsicos a un modelo matemtico.
Una vez identificados los elementos bsicos hay que expresarlos matemticamente.
Dependiendo de la naturaleza de las funciones matemticas, el modelo ser de un tipo u
otro; por ejemplo, si todas ellas son lineales, el problema ser de Programacin Lineal; si
existe ms de una funcin objetivo, ser de programacin multicriterio, etc.
Paso 3. Resolucin del modelo
Aceptado ya el modelo matemtico que mejor describe la situacin en estudio, se aplican los
algoritmos y mtodos matemticos diseados para su resolucin. Las etapas en la resolucin
del modelo se detallan en la Figura 4.

RESOLUCIN DEL MODELO

Paso 1. Elegir la tcnica de resolucin adecuada
Paso 2. Generar las soluciones del modelo
Paso 3. Comprobar/validar los resultados
Paso 4. Si los resultados son inaceptables, revisar el modelo matemtico
Paso 5. Realizar anlisis de sensibilidad

Figura 4. Etapas en la resolucin del modelo.

1. Elegir la tcnica de resolucin adecuada.

Afortunadamente, muchos de los modelos de IO pueden resolverse utilizando tcnicas
eficientes ya existentes, que proporcionan una solucin ptima para el modelo. En otros
casos, el problema es demasiado complejo o el algoritmo de resolucin tiene una
complejidad computacional inaceptable y hay que recurrir a mtodos heursticos de
resolucin.
2. Generar las soluciones del modelo.
Una vez elegida la tcnica de resolucin, el siguiente paso es resolver el problema. Como
normalmente la mayora de los modelos conllevan la manipulacin de una gran cantidad de
datos, los problemas deben ser resueltos con ayuda del ordenador, utilizando alguno de los
muchos programas de IO que existen o incluso hojas de clculo (las versiones actuales de la
mayora de ellas incluyen operadores que realizan anlisis de optimizacin).
3. Comprobar/validar los resultados.
Dado que los modelos matemticos no son ms que simplificaciones de la realidad, las
soluciones ptimas generadas para un modelo pueden no ser ptimas para el problema de la
vida real. En el peor de los casos, puede que ni siquiera sean factibles. De este modo,
comprobar la validez de dichas soluciones constituye un paso crucial, igual que comprobar
que efectivamente proporcionan un mejor rendimiento que el plan de trabajo que
actualmente sigue la empresa.
4. Si los resultados son inaceptables, revisar el modelo matemtico.
Como ningn modelo es totalmente exacto ni ninguna tcnica de validacin est exenta de
errores, si los resultados de la validacin son inaceptables puede ser necesario revisar el
modelo. Las hiptesis deben ser estudiadas, la exactitud de los datos comprobada, las
aproximaciones relajadas o endurecidas, las restricciones revisadas.
5. Realizar anlisis de sensibilidad.
Normalmente, la solucin que nos proporciona el ordenador es una respuesta para el
modelo. Pero el decisor suele querer no una solucin, sino varias soluciones entre las que
elegir. El analista debe estar preparado para estudiar los cambios posibles y su alcance. Para
ello resulta muy til realizar el llamado anlisis de sensibilidad, que estudia los cambios que
puede sufrir la solucin si se alteran los parmetros del modelo, o bien en qu rango de
variacin de los parmetros la solucin sigue siendo vlida.
Paso 4. Presentacin/Implementacin de los resultados
ste es el paso final dentro del proceso. En la Figura 5 detallamos los dos pasos de los que
consta.

PRESENTACIN DE RESULTADOS
Paso 1. Preparar informes y/o presentaciones
Paso 2. Vigilar el proceso de implementacin de la solucin propuesta

Figura 5. Etapas en la presentacin/implementacin de los resultados.

1. Preparar informes y/o presentaciones.

La comunicacin efectiva de los resultados de un estudio es esencial para el xito del mismo.
La utilidad del anlisis ser nula si las personas que toman las decisiones no aprecian
totalmente su valor. Los decisores deben comprender completamente el enfoque del
analista, las hiptesis y simplificaciones que se han hecho, y la lgica subyacente en la
recomendacin. Las presentaciones orales (utilizando transparencias, videos o software
especializado) y los informes son formas tradicionales para la comunicacin.
2. Vigilar el proceso de implementacin.
Una vez que se ha emitido el informe o se ha hecho la presentacin, debe implementarse la
solucin propuesta, que a veces puede suponer cambios que sean conflictivos y encuentren
resistencia en los miembros de la empresa. El apoyo del analista puede resultar crtico.
Una vez implementada la solucin, debe ser supervisada de forma continua. Dada la
naturaleza dinmica y cambiante de la mayora de las empresas, es casi inevitable que haya
que realizar cambios en el modelo. El analista debe estar preparado para saber cundo ha
llegado el momento de cambiar y para realizar dichos cambios.