Introduccin a la IO

Proyecto e-Math 1
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
INTRODUCCIN A LA INVESTIGACIN OPERATIVA

Autores: Javier Fauln (ffaulin@uoc.edu), ngel A. Juan (ajuanp@uoc.edu).

ESQUEMA DE CONTENIDOS ________________________





















INTRODUCCIN ___________________

Cuando una persona se enfrenta por vez primera con el trmino Investigacin de Operaciones, no
suele ser conocedora de las caractersticas especficas de esta ciencia ni de su objeto de estudio.
Adems, la Investigacin Operativa puede tener componentes muy diversos dependiendo de su
rea de aplicacin concreta: Administracin de Empresas, Ingeniera u otras. El objeto de estudio
de la Investigacin Operativa es la toma cientfica de decisiones mediante el empleo de
tcnicas cuantitativas. Es importante tener esta definicin clara y, de esta forma, nos daremos
cuenta de la amplitud de campo de la Investigacin Operativa (IO).

Con demasiada frecuencia se ha hecho demasiado hincapi en los modelos de Programacin
Lineal dentro de la Investigacin Operativa, lo cual ha dificultado la distincin entre ambos
trminos. Lo cierto es que la Programacin Lineal es slo una parte de la Investigacin Operativa
aunque, sin duda, una de las ms importantes. Otras reas o secciones habituales en el estudio
de la IO son las siguientes (esta relacin no es exhaustiva, sino que slo pretende dar una idea
de la extensin de la IO):

a) Programacin entera
b) Problemas de transporte
c) Anlisis de grafos y de redes. PERT y CPM.
d) Programacin dinmica
Prog. Lineal
Investigacin
Operativa
Definicin
reas o Secciones
Historia
Referencia remota
Ciencia de la Gestin
La IO en el siglo XX
Programacin Lineal
Resolucin grfica Caractersticas PL
Uso de LINDO
Introduccin a la IO
Proyecto e-Math 2
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
e) Teora de juegos.
f) Programacin no lineal.
g) Teora de colas.
h) Teora de inventarios
i) Procesos markovianos de decisin. Anlisis de decisin.
j) Simulacin
k) Fiabilidad

Existen, de este modo, otras reas adems de la PL- en las que la Investigacin Operativa
ejerce tambin su estudio. Es claro pues que la Investigacin Operativa es una ciencia
multidisciplinar que aparece en muchos campos del mbito industrial, empresarial y de la
administracin pblica. De hecho, con la aparicin de la Programacin Lineal en los aos 40,
aparece el sentimiento de dar una cohesin o visin de conjunto a todas las tcnicas
anteriormente enunciadas. Esa visin cohesionada, junto con el concepto de sistema, permite la
aparicin de la Investigacin de Operaciones como ciencia.

Las subdivisiones en las que se establece la IO tienen los siguientes elementos en comn:

1) Son necesarios amplios conocimientos de matemticas, es decir, del manejo de muchas
tcnicas matemticas, aunque con inmediata aplicacin a la realidad.
2) Es necesario que, al final de cada problema definido, haya una decisin que tomar.
3) Es preciso definir un modelo que d cauce a la toma de decisiones.

En el estudio de la Investigacin Operativa se puede hacer ms nfasis en los aspectos tericos
de los modelos matemticos o bien en los aspectos prcticos. Estudiar de forma exclusiva
modelos matemticos, aun siendo importante para la IO, no constituye el principal ejercicio de la
IO: es necesario verificar la aplicabilidad de los resultados que se deriven de los modelos
matemticos.

Por ello, en muchos casos, se hace nfasis en los aspectos prcticos de la IO estableciendo
puentes con los diversos mbitos de la gestin empresarial. En este sentido, y con objeto de
tener una visin precisa para una introduccin de las tcnicas operativas, se recomienda la
consulta de los captulos introductorios de alguno de los manuales cuyos autores son:

Anderson, D.R., Sweeney, D. J. y Williams, T.A. (2001) (Captulos 1 y 7)
Hillier, F.S. y Liebermann, G.J. (2001) (Captulos 1,2 y 3)
Hillier, F.S., Hillier, M.S. y Liebermann, G.J. (2000) (Captulos 1 y 2)

Tambin a nivel introductorio se pueden visitar algunas de las siguientes pginas web:

http://www.informs.org/ Sociedad Americana de Investigacin Operativa.
http://www.ifors.org/ Federacin Internacional de Sociedades de Investigacin de
Operaciones.
http://www.orie.cornell.edu/ Departamento de Investigacin Operativa de la Universidad
de Cornell en Nueva York.
http://www.worms.ms.unimelb.edu.au/ Informacin genrica sobre Investigacin
Operativa.

En este sentido, hay que destacar que las tcnicas de Investigacin Operativa tienen un auge
inusitado en los Estados Unidos. Algunos de los motivos de este auge son: a) razones histricas,
b) la cultura empresarial americana, y c) la dimensin del mercado americano. En Europa, cada
vez se aplican ms estas tcnicas pero, con frecuencia, con un acento mucho ms terico. Entre
los pases europeos que ms aplican las tcnicas de la IO se pueden destacar los siguientes:
Gran Bretaa, Holanda, Francia y Alemania. Con el fenmeno de la globalizacin econmica,
cada vez son ms las empresas multinacionales que emplean tcnicas de Investigacin
Operativa para la toma cientfica de decisiones.
Introduccin a la IO
Proyecto e-Math 3
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
OBJETIVOS ________________________

Entender el concepto de Investigacin Operativa.
Conocer las reas de estudio de la Investigacin Operativa.
Comprender el desarrollo histrico de la IO como ciencia.
Entender qu es la Programacin Lineal y su importancia dentro de la IO.



CONOCIMIENTOS PREVIOS ___________________________________

Es recomendable tener unos conocimientos bsicos de Matemticas (nivel de Bachillerato o
equivalente).



CONCEPTOS FUNDAMENTALES_______________________________________



REFERENCIA HISTRICA DE LA IO___________________________________________

Suele ser difcil hacer una referencia histrica de la Investigacin Operativa. Principalmente,
porque no es sencillo establecer sus orgenes. Como se ha comentado anteriormente, muchas
son las reas que componen la IO, y hasta que apareci un elemento aglutinador en los aos 40
del siglo XX, cada rea tuvo su propia referencia histrica, haciendo muy difcil establecer la
fecha exacta del nacimiento de la IO. No obstante, procuraremos dar unas pinceladas al
respecto.

La necesidad de tomar decisiones es tan antigua como el hombre mismo, por ello, hemos de
preguntarnos por qu la IO nace en un momento histrico preciso. Esto fue as, porque la
realidad humana se fue complicando poco a poco y las decisiones que en un principio eran
triviales, se convirtieron en decisiones difciles. Con la llegada de la Revolucin Industrial, la
sociedad se hizo mucho ms compleja y las decisiones haban de tomarse con ms cuidado
porque involucraban a ms personas en sus consecuencias. Veamos a continuacin lo que esto
supuso histricamente.

Introduccin

Las diferentes ciencias han de ser comprendidas con profundidad antes de poder ser
analizadas desde un punto de vista histrico. Quizs no sea fcil establecer los orgenes de
la Investigacin Operativa, porque no se tuvo conciencia de la misma hasta mucho ms
tarde de que algunas de sus ramas nacieran y se desarrollaran. No obstante, es necesario
relacionar el alumbramiento de la Investigacin de Operaciones, por lo menos
nominalmente, con el transcurso de la II Guerra Mundial. Por esta razn, hemos de pensar
en los orgenes de la ciencia operacional como en los de una tcnica de naturaleza militar.
Dichos orgenes han supuesto una impronta decisiva en el tratamiento de las tcnicas
operacionales. En este sentido, cuando se pretende trazar una historiografa de una ciencia
es muy importante delimitar la frontera de la misma en los terrenos conceptual e histrico.

Prolegmenos y rudimentos de la IO: la ciencia de la gestin

Despus del proceso introductorio llegamos al momento delicado de establecer diferencias
entre la Investigacin de Operaciones y la Ciencia de la Gestin (o de la Administracin).
Entendemos por Ciencia de la Gestin (traduccin del trmino ingls Management Science)
la aplicacin de los mtodos y tcnicas de la ciencia actual a los problemas de toma de
decisiones en la administracin. Realmente, esta misma definicin podra valer tambin para
Introduccin a la IO
Proyecto e-Math 4
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Investigacin Operativa, aunque sta necesite de un manejo ms explcito de tcnicas
matemticas. Por tanto, estas dos ciencias pueden darse en el momento presente como
equivalentes o sinnimas. No obstante, se puede comprender que la gestin y la
organizacin han sido necesarias para la humanidad desde sus albores.

La necesidad de planificacin y organizacin aparece ya en el antiguo Egipto hacia el ao
4000 a. C. y se va desarrollando a travs de toda la Antigedad hasta el advenimiento del
Imperio Romano. En Israel y China tambin aparecen tmidos escarceos de organizacin y
direccin hacia el ao 1000 a. C. Nabucodonosor establece algunas ideas sobre control de
la produccin hacia el ao 600 a. C. En Grecia, se desarrollan en el 350 a. C. los primeros
mtodos de organizacin del trabajo y del tiempo. Alrededor del ao 30 a. C., Julio Csar
establece diversas ideas de planificacin, control y unidad de mando, que luego pone en
prctica en todo el Imperio Romano.

Todos los estudios y planteamientos organizacionales de la Antigedad tienen su
proyeccin, que no su continuacin, a lo largo de toda la Edad Media, en donde se
aprovechan sin posteriores desarrollos. Durante el siglo XV, en la Italia renacentista se
vuelven a plantear de nuevo las cuestiones organizativas y aparecen diversos estudios sobre
costes y sobre control de existencias. No es fcil establecer otros hitos acerca de la
organizacin hasta el siglo XVIII, cuando Pierre de Montmort inicia sus primeras ideas
directivas que luego dan lugar a la teora de juegos.

Con los inicios de la I Revolucin Industrial, el sentido y la forma de estudio de la Ciencia
de la Gestin adquieren su ser ms pleno. Por otra parte, el desarrollo de las matemticas
durante los siglos XVIII y XIX permite disponer de las herramientas necesarias para la futura
construccin de la Investigacin de Operaciones. De esta forma, en 1767, Gaspard Monge
descubre la manera geomtrica de resolver un programa lineal. Posteriormente, Adam
Smith establece el principio de especializacin en los trabajos, y Robert Owen, ya en el siglo
XIX, realiza un estudio sobre tareas en un proceso productivo, y advierte de la necesidad de
adiestramiento en las mismas por parte de los operarios. Una aportacin fundamental la
realiza Babbage, en 1832, construyendo lo que se podra llamar el primer computador
digital, que vendra a ser el antecesor de los modernos ordenadores. A finales del siglo XIX,
Joseph Wharton hace de la direccin estratgica e industrial un saber universitario. No
obstante, el auge de las revoluciones industriales del XIX permiten establecer un caldo de
cultivo adecuado para el estudio de la ciencia operacional. As, Frederick W. Taylor y Henry
L. Gantt, ante la necesidad de planificacin de la produccin, establecen el mtodo cientfico
de direccin y las grficas de programacin productiva (de Gantt), respectivamente. A partir
de este momento aparece la aportacin nuclear del siglo XX a la Investigacin de
Operaciones, sabiendo que es en esta centuria cuando se produce su nacimiento real.

Gnesis de la IO en el siglo XX

Diversos hechos haban ocurrido en los albores de ese siglo, que luego ayudaron a la
gnesis de la ciencia operativa. Entre otros citaremos: a) los rudimentos de la teora de
colas, con A.K. Erlang, y b) la construccin del modelo econmico del tamao del lote,
con F.W. Harris. Sin embargo, estos hitos que luego constituyeron elementos clave de la
Investigacin Operativa, no permitieron establecer la misma como un saber independiente.

Tiene sentido iniciar nuestra exposicin en el momento en el que se tuvo una conciencia
clara de que algo nuevo y diferenciador estaba naciendo en el mbito de la teora de la
organizacin a gran escala. Este momento es el preludio de la II Guerra Mundial.
Podramos decir que es hacia 1935 cuando Inglaterra se da cuenta de que necesita dar una
respuesta adecuada al creciente podero militar alemn. Por esta razn, el gobierno ingls
urge a un grupo de cientficos a que realicen experimentos que conduzcan a un mejor control
del espacio areo. Fruto de esta experimentacin aparece el radar, que constituye el inicio
de la lucha por la supremaca area. Este grupo de investigadores tom su base en
Bawdsey, y por esta razn se llam grupo de Bawdsey.

De forma paralela, otro grupo se estuvo estableciendo durante 1936 para desarrollar el
experimento Biggin Hill, que permita la simulacin de aviones enemigos y su deteccin. La
Introduccin a la IO
Proyecto e-Math 5
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
conjuncin de estos dos grupos, permiti ofrecer a la RAF (Royal Air Force) una estructura
operacional, para sus equipos materiales y humanos, que le posibilit librar la batalla de
Inglaterra en 1940-41. El grupo de Bawdsey fue dirigido en 1938 por A.P. Rowe, el cual
acu la expresin 'Operations Research', que posteriormente se extendi dentro del
mbito cientfico al resto de pases occidentales.

La batalla de Inglaterra se recrudece en el otoo de 1940. Por esta razn, se solicita la
ayuda de P.M.S. Blackett, un fsico que despus conseguir el Premio Nobel por sus
trabajos en rayos csmicos, con objeto de establecer una seccin de Investigacin Operativa
dentro de los comandos de accin de la RAF. Del mismo modo, Blackett fue consultado en
diciembre de 1941, sobre la posibilidad de constituir una seccin similar dentro de la
Armada. Dicha seccin fue constituida en enero de 1942.

Cuando los Estados Unidos entran en la guerra, son conscientes de la necesidad de tales
grupos operativos y de la constitucin de secciones operacionales para el xito de los
mismos. De esta manera, constituyen en 1942 un grupo operacional de lucha antisubmarina
(ASWORG - Anti-Submarine Warfare Operations Research Group) que recoge toda la
experiencia inglesa desarrollada por Blackett. De forma similar, la Fuerza Area Americana
estructura diversos grupos operacionales para llevar a cabo sus labores logsticas. Al final de
la guerra, la Armada americana dispona de un departamento de Investigacin Operativa
compuesto por ms de setenta cientficos, y la Fuerza Area dispona de ms de dos
docenas de secciones operacionales.

No puede decirse que las potencias del Eje hicieran uso de las tcnicas operacionales
durante la II Guerra Mundial, mientras que el nmero de cientficos e investigadores
involucrados en Investigacin Operativa en la contienda por parte de ingleses, americanos y
canadienses super los setecientos. Las aportaciones que hicieron todos estos
investigadores supusieron un giro copernicano en la manera de concebir la Ciencia de la
Gestin en los aos siguientes. De alguna manera, todos estos estudiosos que trabajaban
de manera aislada en los aos treinta se aglutinaron holsticamente con ocasin de la
guerra, y produjeron un conjunto de tcnicas y teoras que ocasionaron el alumbramiento de
la Investigacin de Operaciones como ciencia.

El crecimiento de la IO, de 1945 a la actualidad

Es muy difcil condensar en unas lneas todo lo que han supuesto las dcadas anteriormente
mencionadas para la ciencia operacional, habida cuenta de su importancia y de la riqueza de
trabajos producidos. Realmente, se ha construido ms ciencia operacional durante estos
aos que en todo el resto de la historia de la humanidad. Puede decirse, por tanto, que la
verdadera historia de la Investigacin Operativa se ha desarrollado durante este perodo: se
han establecido lneas de investigacin, han aparecido sociedades profesionales, se han
creado revistas de investigacin, se han publicado libros y se ha incluido la materia dentro
del currculum educativo.

Una vez finaliz la contienda mundial y habida cuenta del xito cosechado por las tcnicas
operativas, stas continuaron desarrollndose dentro del mbito militar, puesto que era el
ejrcito quien posea la mayor parte de los investigadores y quien estaba interesado en
proseguir dicha lnea de trabajo. A mediados de los aos cincuenta se desplaz el centro de
gravedad de inters de la Investigacin Operativa, y alcanz el terreno industrial y el
acadmico. Aparece el inters por la Ciencia de la Gestin (Management Science). En la
dcada de los setenta, ha continuado el desarrollo expansivo de la Investigacin Operativa,
llegando al mbito de la administracin pblica, tratando los siguientes tipos de problemas:
transporte urbano, administracin de justicia, construccin de edificios pblicos,
educacin, hospitales y servicios sociales. De esta manera, el peso investigador de la IO
se desplaza desde el Reino Unido a los Estados Unidos, en donde se constituyen diversos
institutos y organizaciones de estudio, como The Urban Institute (1968) y The New York City-
Rand Institute (1969). Tambin, son muchas las empresas que, a partir de los aos
cincuenta, se ayudan de tcnicas operativas para disear sus polticas de produccin y de
distribucin. Por ejemplo, a partir de una encuesta que realiza Turban en 1972 en Estados
Unidos sobre las 500 empresas ms importantes del pas (de acuerdo con la revista
Introduccin a la IO
Proyecto e-Math 6
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Fortune), se deduce que la mitad de las empresas que contestaron la encuesta posean un
departamento especial dedicado a tareas de Investigacin de Operaciones o Ciencia de la
Administracin. No obstante, la IO forma cada da ms, una parte de las actividades
normales de la empresa moderna y, por tanto, ya no se trata de una funcin especializada
que deba llevarse a cabo en un departamento separado. De acuerdo con este estudio las
tcnicas operacionales ms empleadas eran el anlisis estadstico, la simulacin, la
programacin lineal, la teora de inventarios y la programacin dinmica. Otras tcnicas
empleadas, aunque de menor uso, eran la programacin no lineal, las lneas de espera, la
teora de juegos, el anlisis de decisin de Bayes y la programacin entera.

Posteriormente, se realizaron otras encuestas de resultados similares: a) en 1977, Ledbetter
y Cox (1977); b) en 1979, Thomas y DaCosta (1979); c) en 1983, Forgionne (1983). En todas
ellas se comprueba cmo cada vez son mayores en nmero las tcnicas operativas
empleadas, y cmo dichas tcnicas aparecen con ms frecuencia en otras reas o
departamentos de la empresa. Estudios de otro tipo fueron los de Fabozzi y Valente (1976)
que encuestaron, en 1976, mil compaas americanas en relacin con el uso de la
programacin matemtica (programacin lineal, no lineal y dinmica). Estos autores
descubrieron que era la direccin de Produccin (mezclas de productos, asignacin de
recursos, diseo de planta y maquinaria,...) el rea en donde ms se aplicaba la
Investigacin de Operaciones dentro del mbito de la empresa. En nmero de aplicaciones
le segua el rea de Inversin y Financiacin.

Especificaciones y concreciones histricas de la IO: la programacin
matemtica

La Programacin Matemtica ha formado parte de la IO desde la constitucin de la misma
como ciencia hasta la actualidad. Sin embargo, muchos de los problemas tratados por la
Programacin Matemtica eran conocidos desde mucho antes. Grandes matemticos de los
siglos XVIII y XIX, como Euler, Gauss y Lagrange trabajaron en problemas de optimizacin
con restricciones y establecieron las primeras condiciones de optimalidad. Lo cual quiere
decir que los problemas que la Programacin Matemtica planteaba en los aos cuarenta
de nuestro siglo no eran nuevos en su formulacin, pero s en su enfoque. Los mtodos
matemticos clsicos no estaban pensados para una resolucin en dimensiones altas, como
iban a requerir las nuevas necesidades industriales. Esta fue la aportacin de la ciencia
operacional, mxime cuando se desarrollaron las tcnicas computacionales que permitieron
hacer realidad el clculo rpido y a gran escala. La IO supuso un giro copernicano en la
manera de tratar los programas matemticos. Se implementaron algoritmos que
computacionalmente eran ms eficientes que los clsicos y, de esta manera, problemas que
tradicionalmente haban sido complejos, ahora resultaron asequibles.

El cambio de mentalidad era notable y, por tanto, un
nuevo modelo cientfico se estaba abriendo paso.
Para el desarrollo de las distintas tcnicas
algortmicas, era bsico el estudio de los sistemas
de desigualdad como haban hecho los matemticos
Julius Farkas, Jean Baptiste Fourier y T.S. Motzkin.
El anlisis de los problemas econmicos se debe a
John Von Neumann y a Abraham Wald. No obstante,
cuando se trata de presentar una descripcin
histrica de la Programacin Matemtica, hay que
tener en cuenta la gran aportacin de Dantzig (foto
de la derecha) con su mtodo simplex para
programacin lineal. Este hito ha supuesto la
demarcacin de la poca fundacional de la
Programacin Matemtica. Dicho evento se ha
considerado como el inicio de la IO, puesto que lo ha
sido de la programacin lineal, y ha trado consigo la
resolucin de muchos problemas operacionales.
Realmente, el nuevo estilo marcado por el mtodo
simplex ha construido el autntico espritu de la optimizacin matemtica. No hay que olvidar

Introduccin a la IO
Proyecto e-Math 7
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
la intencin de Samuel Eilon al inventar el trmino satisfizar (fusin de satisfacer y optimizar)
intentando describir la labor del investigador de operaciones: encontrar una solucin
satisfactoriamente (aceptablemente) ptima (o buena). De ah procede la sentencia:
"optimizar es la ciencia de lo esencial; satisfizar es el arte de lo factible" (Eilon (1972)).

Realmente, en cuanto se intenta resolver un problema prctico surgido de la empresa o de
la realidad econmica se puede palpar la potencia del mtodo simplex. A principios de la
dcada de los sesenta, Abraham Charnes y William Cooper (1961) publicaron un libro de
gran influencia para los aos posteriores: Management Models and Industrial Applications of
Linear Programming. Esta obra supuso un gran impacto en el desarrollo de la prctica y de
las aplicaciones industriales de la programacin lineal (principalmente en las compaas
petrolferas y qumicas). Pudo comprobarse la potencia de esta nueva herramienta, a la hora
de resolver los problemas decisionales de las grandes empresas. De igual modo, se aplic
la programacin lineal a la teora econmica como muestran las aportaciones de Robert
Dorfman, Paul Samuelson y Robert Solow (1958), o las de David Gale (1960), o bien las de
Grard Debreu (1963).

Nuevos desarrollos de la programacin lineal

La Programacin Lineal fue una de las primeras herramientas cuantitativas con la que cont
la IO. Rpidamente se descubri su eficiencia. Por esta razn, era muy interesante
conseguir nuevos mtodos de resolucin que hicieran la competencia al algoritmo simplex.
Como una innovacin destacable en los aos ochenta aparece un nuevo y poderoso
algoritmo para la resolucin de programas lineales: en 1984, Narendra Karmarkar (1984) de
AT&T Laboratories public un artculo presentando esquemticamente un mtodo para
resolver programas lineales de gran tamao. Este mtodo llamado algoritmo de Karmarkar
se presenta como un buscador de ptimos a partir de puntos interiores, siendo sta la gran
novedad en relacin con el mtodo simplex.

Dicho artculo de Karmarkar no describe totalmente el mtodo resolutorio y, adems, afirma
que es mucho ms rpido que el simplex para problemas de gran dimensin. El intento de
descubrimiento de un remedo de dicho mtodo puso a toda la comunidad cientfica en pie
de bsqueda. Pasaron cuatro aos hasta que se logr un conocimiento general del mtodo
y su distribucin comercial. Esta extensin del algoritmo de Karmarkar fue debida a AT&T
Laboratories, que llam a esta versin 'AT&T KORBX Linear Programming System'. La
instalacin completa de esta versin tuvo un costo inicial de $8.900.000.

Desde un principio se realizaron multitud de comparaciones entre el mtodo simplex y el de
Karmarkar, con objeto de determinar cul de los dos era el ms eficiente. Sin embargo, esto
no es fcil de determinar puesto que hay que especificar qu es exactamente lo que
significa eficiencia. Es necesario efectuar la comparacin en multitud de situaciones
diversas y a partir de ellas establecer la correspondiente tesis. Se han realizado estudios
que cotejan el mtodo de Karmarkar con un paquete informtico estndar del mtodo
simplex llamado MINOS. Para problemas de tamao grande (a partir de varios miles de
restricciones) las mejoras en tiempo de clculo del mtodo de Karmarkar sobre el simplex
son notables (factores entre 10 y 50 son comunes). No obstante, esta situacin no supone la
supremaca del mtodo de Karmarkar en todo tipo de problemas. No hay que olvidar que
para problemas de dimensin pequea, el mtodo simplex es ms intuitivo y fcil de aplicar.

Tambin es posible realizar algunos comentarios acerca de la complejidad computacional
de cada uno de los mtodos. El mtodo de Karmarkar es un algoritmo de tiempo polinomial,
mientras que el simplex no goza de esta propiedad, sino que es de tiempo exponencial. De
esta forma, tenemos explicada la razn por la cual el mtodo de Karmarkar obtiene mejores
resultados para problemas de gran dimensin.

Es llamativo que los problemas que hasta hace unos aos necesitaban de computadoras de
tamao medio, ahora sean resolubles mediante ordenadores personales. En la actualidad,
prcticamente cualquier usuario de la Investigacin Operativa puede resolver problemas
lineales mediante LINDO (u otro paquete informtico semejante) en un ordenador porttil.
De esta manera, mediante LINDO se pueden manejar problemas con hasta 50.000
Introduccin a la IO
Proyecto e-Math 8
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
restricciones y 200.000 variables. De igual modo, se desarroll el paquete MINOS
(empleando para programacin lineal el mtodo simplex) en el Systems Optimization
Laboratory del Departamento de Investigacin Operativa de la Universidad de Stanford, que
ha sido usado ms frecuentemente como herramienta optimizadora en programacin no
lineal. Otros lenguajes de modelizacin se han desarrollado para ordenadores personales.
As, ha aparecido GAMS/MINOS que es una combinacin de los dos programas bien
conocidos con objeto de construir un lenguaje de modelizacin algebraica implementado por
IBM. De la misma forma, ha aparecido el paquete XPRESS-LP; y el lenguaje MPL
(Mathematical Programming Language) desarrollado por Maximal Software en Islandia. Esta
misma casa produjo la utilidad Turbo-Simplex.

En los aos noventa fueron apareciendo otras utilidades informticas, como son las hojas de
clculo y sus complementos asociados, capaces de resolver programas lineales. Entre
algunos de estos complementos se pueden citar los siguientes: Solver, VINO, What's
Best? y XA. Casi todas estas utilidades fueron construidas por IBM para sus propias
computadoras, sin embargo, poco a poco, se van obteniendo versiones para Macintosh.
Aunque estas son las ms recientes aplicaciones informticas de los ltimos cinco aos, en
los prximos aos se mejorarn, a la vez que se extendern los lenguajes y paquetes
informticos que permitirn resolver con relativa facilidad problemas de programacin lineal
complejos.



INTRODUCCIN A LA PROGRAMACIN LINEAL________________________________

En cualquier empresa, muchas de las decisiones que se toman tienen por objeto hacer el mejor
uso posible (optimizacin) de los recursos de la misma. Por recursos de una empresa
entendemos la maquinaria que sta posea, sus trabajadores, capital financiero, instalaciones, y
las materias primas de que disponga. Tales recursos pueden ser usados para fabricar productos
(electrodomsticos, muebles, comida, ropa, etc.) o servicios (horarios de produccin, planes de
marketing y publicidad, decisiones financieras, etc.). La Programacin Lineal (PL) es una
tcnica matemtica diseada para ayudar a los directivos en la planificacin y toma de
decisiones referentes a la asignacin de los recursos.

Como ejemplos de problemas donde la PL desarrolla un papel fundamental, podramos citar:

1. A partir de los recursos disponibles, determinar las unidades a producir de cada bien de
forma que se maximice el beneficio de la empresa.

2. Elegir materias primas en procesos de alimentacin, para obtener mezclas con unas
determinadas propiedades al mnimo coste.

3. Determinar el sistema de distribucin que minimice el coste total de transporte, desde
diversos almacenes a varios puntos de distribucin.

4. Desarrollar un plan de produccin que, satisfaciendo las demandas futuras de los productos
de una empresa, minimice al mismo tiempo los costes totales de produccin e inventario.


Caractersticas de un problema de PL

Las tcnicas de PL han sido ampliamente utilizadas en mbitos tan diferentes como el
militar, industrial, financiero, de marketing, e incluso agrcola. A pesar de tal diversidad de
aplicaciones, todos los problemas de PL tienen cuatro propiedades comunes:

1. Pretenden optimizar (maximizar o minimizar) alguna cantidad (funcin objetivo). As,
por ejemplo, el principal objetivo de un banquero sera maximizar beneficios, mientras
que el principal objetivo de una empresa transportista podra ser minimizar los costes de
los envos.
Introduccin a la IO
Proyecto e-Math 9
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

2. Habr que tener en cuenta las restricciones que limitan el grado en el cual es posible
modificar las variables que afectan a nuestra funcin objetivo. As, a la hora de decidir
cuntas unidades de cada bien se han de producir, deberemos considerar, entre otras,
las limitaciones de personal y maquinaria de que disponemos.

3. El problema debe presentar distintas alternativas posibles: si una compaa produce
cuatro bienes diferentes, la direccin puede usar PL para determinar las cantidades de
recursos que asigna a la produccin de cada uno de ellos (podra optar por hacer una
asignacin ponderada, dedicar todos los recursos a la produccin de un nico bien
abandonando la produccin del resto, etc.).

4. En PL, la funcin objetivo debe ser una funcin lineal, y las restricciones deben ser
expresables como ecuaciones o inecuaciones lineales.


Planteamiento de un problema de PL

Ejemplo: Una empresa fabrica dos modelos de mesas para ordenador, M
1
y M
2
. Para su
produccin se necesita un trabajo manual de 20 minutos para el modelo M
1
y de 30 minutos
para el M
2
; y un trabajo de mquina de 20 minutos para M
1
y de 10 minutos para M
2
. Se
dispone de 100 horas al mes de trabajo manual y de 80 horas al mes de mquina. Sabiendo
que el beneficio por unidad es de 1,5 y 1 para M
1
y M
2
, respectivamente, planificar la
produccin para obtener el mximo beneficio.

Nos limitaremos ahora a plantear formalmente el problema (ya lo resolveremos ms
adelante):

Llamando: X = n unidades producidas al mes de M
1
, e Y = n unidades producidas al
mes de M
2
,

nuestra funcin objetivo sera: Maximizar: Z(X,Y) = 1,5X + Y

y las restricciones vendrn dadas por:
Sujeto a: 20X + 30Y <= 100*60
20X + 10Y <= 80*60
X >= 0
Y >= 0

Las dos ltimas restricciones, si bien no constan de forma explcita en el enunciado, s figuran
de forma implcita, pues el nmero de mesas a producir no puede ser inferior a 0.


Supuestos bsicos de la PL

Desde un punto de vista tcnico, hay cinco supuestos que debe cumplir todo problema de
programacin lineal:

1. Los coeficientes, tanto de la funcin objetivo como de las restricciones, son conocidos
con exactitud y adems no varan durante el perodo de tiempo en que se realiza el
estudio (supuesto de certidumbre).

2. Tanto en la funcin objetivo como en las restricciones hay proporcionalidad: si para la
produccin de un bien empleamos 5 horas de un determinado recurso (mano de obra,
maquinaria, etc.), para producir diez unidades de dicho bien sern necesarias 50 horas
del mismo recurso.

3. Aditividad de actividades: tanto en la funcin objetivo como en las restricciones, la
contribucin de cada variable es independiente de los valores del resto de las variables,
Introduccin a la IO
Proyecto e-Math 10
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
siendo el total de todas las actividades igual a la suma de cada actividad individual. As,
por ejemplo, si producimos dos tipos de bienes, uno que nos reporte un beneficio de 20
/unidad, y otro que nos reporte un beneficio de 10 /unidad, la produccin de un bien de
cada tipo supondr un beneficio total de 30 .

4. Las soluciones del problema sern, en general, nmeros reales no necesariamente
enteros (supuesto de divisibilidad). Para aquellos problemas en los cuales slo tenga
sentido obtener soluciones enteras (cuando las soluciones se refieran a objetos
indivisibles), se usarn tcnicas de Programacin Lineal Entera (PLE).

5. Las variables de nuestro modelo tomarn siempre valores positivos (supuesto de no
negatividad), dado que no tiene sentido hablar de cantidades negativas de objetos
fsicos.


Resolucin grfica de un problema de PL

El mtodo grfico de resolucin tan slo es aplicable a problemas con dos variables (X e Y).
Para aquellos casos en que el nmero de variables del problema sea superior a dos, no ser
posible encontrar la solucin a partir de un grfico bidimensional y, por tanto, tendremos que
usar mtodos de resolucin ms complejos. An as, el mtodo grfico es de un gran valor
pedaggico dado que nos permite vislumbrar de una forma intuitiva las ideas bsicas de la
PL.

Volviendo al ejemplo de las mesas de ordenador, dado que en l tenemos slo dos
variables, podremos representar cada una de las restricciones en el plano real. Estas
restricciones son semiespacios (por ser lineales), la interseccin de los cuales se denomina
regin factible (rea de color verde en la figura):



La teora matemtica establece que, dado un problema de PL que tenga solucin, sta
vendr dada por uno de los vrtices (o puntos extremos) del polgono que configura la
regin factible. Por tanto, ser suficiente hallar las coordenadas de dichos vrtices
(intersecciones de rectas) y determinar (sustituyendo en la funcin objetivo) cul de ellos es la
solucin ptima. En nuestro ejemplo, tendramos slo cuatro puntos candidatos a ser
solucin del problema (los cuatro vrtices del polgono), sustituyendo sus coordenadas en la
funcin objetivo obtenemos:

Z(0,0) = 0; Z(0,200) = 200; Z(210,60) = 375; y Z(240,0) = 360
Introduccin a la IO
Proyecto e-Math 11
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Como en este caso buscbamos maximizar Z(X,Y), concluiremos que el punto ptimo es el
(210,60), dado que con l obtenemos el valor mximo de la funcin objetivo. As pues, la
solucin a nuestro dilema ser fabricar 210 mesas de tipo M
1
y slo 60 de tipo M
2
, con ello
conseguiremos unos beneficios de 375 .


Casos especiales

A la hora de resolver un problema de PL, nos podramos encontrar con cualquiera de estas
cuatro situaciones especiales que conviene conocer:

No Factibilidad: Podra ocurrir que el problema propuesto no tuviese solucin. ste
sera el caso en que las restricciones fuesen incompatibles, i.e., que ningn punto del
plano (o, en general, del espacio real n-dimensional) puede cumplir simultneamente
todas las limitaciones a las que estamos sometidos, es decir, la regin factible es un
conjunto vaco.

No Acotacin: En ocasiones, podemos encontrarnos con problemas que no tengan una
solucin finita; as por ejemplo, en un problema de maximizacin podramos tener alguna
variable que pudiese incrementarse indefinidamente sin violar ninguna de las
restricciones, permitiendo a la funcin objetivo tomar valores tan grandes como se
desee. Grficamente, tendramos una regin factible no acotada.

Redundancia: Algunas restricciones pueden estar de ms por no aportar nada nuevo
a la forma de la regin factible, ya que hay otras que resultan ser ms restrictivas (esto
suele ocurrir en problemas extensos, donde resulta difcil reconocer restricciones
redundantes).

Soluciones Mltiples: Un problema de PL puede tener ms de una solucin ptima (e
incluso infinitas). En el caso grfico de dos variables, si dos vrtices consecutivos de la
regin factible son solucin ptima del problema, entonces todos los puntos del
segmento comprendido entre ellos tambin sern ptimos.




Introduccin a la IO
Proyecto e-Math 12
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Ejemplos de resolucin grfica


Ejemplo 1: La tabla adjunta muestra las unidades de nitrgeno (N) y de fsforo (P) que
contiene cada kilo de los abonos A y B. Se desea obtener un abono que, como mnimo,
contenga 9 unidades de N y 9 unidades de P. El precio de A es de 10 /kg. y el de B es de
20 /kg. Calcular las cantidades que deben comprarse de A y de B para satisfacer las
necesidades minimizando el coste. Resolver el mismo ejercicio suponiendo que el precio de
B es de 30 /kg.


Llamando X = n kilos de A, e Y = n kilos de B,

Minimizar: Z(X,Y) = 10X + 20Y

Sujeto a: 3X + Y >= 9
X + 3Y >= 9
X , Y >= 0


Evaluando Z(X,Y) en cada uno de los vrtices:

Z(0,9) = 180; Z(9/4,9/4) = 67,5; Z(9,0) = 90





Por tanto, la solucin ptima es utilizar 9/4 kilos de A y 9/4 kilos de B, lo que supone un
coste (mnimo) de 67,5 . Si ahora consideramos la nueva funcin objetivo Z(X,Y) = 10X
+ 30Y, al evaluar en los vrtices (las restricciones no han cambiado), obtenemos:

Z(0,9) = 270; Z(9/4,9/4) = 90; Z(9,0) = 90 tendremos infinitas
soluciones ya que cualquier punto del segmento que une los dos ltimos vrtices (stos
incluidos) ser un ptimo, obtenindose en ellos un coste (mnimo) de 90 .

Introduccin a la IO
Proyecto e-Math 13
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Ejemplo 2: Unos grandes almacenes desean liquidar 200 camisas y 100 pantalones de la
temporada anterior. Para ello lanzan dos ofertas, A y B: la oferta A consiste en un lote de
una camisa y un pantaln, que se vende a 30 ; y la oferta B consiste en un lote de tres
camisas y un pantaln, que se vende a 50 . No se desea ofrecer menos de 20 lotes de la
oferta A ni menos de 10 de la B. Cuntos lotes ha de vender de cada tipo para maximizar la
ganancia?.

Sean: X = n lotes tipo A
Y = n lotes tipo B

Maximizar: Z(X,Y) = 30X + 50Y

Sujeto a:
3X + Y <= 200
X + Y <= 100
X >= 20
Y >= 10

Evaluando en los vrtices:

Z(20,80) = 4.600; Z(50,50) = 4.000; y Z(190/3,10) = 2.400




Observar que, en este caso, se hace innecesario calcular Z(20,10), pues es claro que su
valor ser inferior al de Z(20,80) y al de Z(190/3,10). En definitiva, pues, tendremos que la
empresa debe vender 20 lotes de tipo A y 80 de tipo B, con lo que tendr una ganancia
(mxima) de 4.600 .

Introduccin a la IO
Proyecto e-Math 14
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
CASOS PRCTICOS CON SOFTWARE___________________________________

Como ya hemos dicho, el mtodo grfico slo permite resolver problemas con no ms de dos
variables. En caso de tener ms de dos variables, necesitaremos utilizar mtodos ms
complejos, como son el Algoritmo Simplex o el Algoritmo de Karmarkar. Estos algoritmos
permiten, mediante una serie de pasos reiterativos (tablas), abordar problemas de PL por muy
complicados que stos sean. En la prctica, sin embargo, resulta necesario utilizar algn
programa de ordenador (como el LINDO o la macro Solver de Excel) el cual agilice los
numerosos y repetitivos clculos que exigen ambos algoritmos.

LINDO (Linear, Interactive, and Discrete Optimizer) es un programa sencillo de usar y muy
potente que permite resolver extensos problemas de programacin lineal, entera, e incluso
cuadrtica. Sus creadores (LINDO Systems, Inc.) permiten descargar de su pgina web
(www.lindo.com) una versin de demostracin gratuita que tolera hasta 150 restricciones y 300
variables (la versin profesional es capaz de trabajar con 50.000 restricciones y 200.000
variables).

Al iniciar LINDO (versin 6.1 para Windows), aparecen varias ventanas: la exterior (con la
etiqueta LINDO) es la ventana principal, todas las dems ventanas que vayan apareciendo
estarn contenidas dentro de ella. La ventana principal contiene tambin todos los mens de
comandos y la barra de herramientas. Utilizaremos la ventana secundaria <untitled> para
formular nuestro problema.

A continuacin, se muestra cmo planteamos en LINDO el ejemplo anterior de las mesas de
ordenador:

En este punto, es conveniente hacer notar las siguientes observaciones:

1. Podemos aadir comentarios personales sin ms que anteponerles el signo de admiracin !.
2. Siempre hemos de finalizar la formulacin del problema aadiendo el comando END.
3. Por defecto, LINDO ya considera la no negatividad de las variables.
4. LINDO slo acepta cinco operadores: + , - , <= , >= , e = . As pues, en la formulacin del
problema no podr usarse ningn otro operador ( * , / , ^ , etc.) ni tampoco parntesis
asociativos.
5. En la parte derecha de una desigualdad slo se permiten valores numricos, mientras que
en la parte izquierda slo se permiten expresiones lineales de variables y sus
coeficientes.

El siguiente paso es pedirle a LINDO que resuelva el problema. Para ello es suficiente con hacer
clic sobre el botn Solve (el que tiene forma de diana), o bien seleccionar esta opcin en la barra
de mens. LINDO intentar primero compilar el modelo formulado (para determinar si est bien
Introduccin a la IO
Proyecto e-Math 15
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
planteado o no) y, en el caso de que la formulacin sea incorrecta (ya sea desde un punto de
vista matemtico o de sintaxis), nos devolver el siguiente mensaje:

An error ocurred during compilation on line: n

Si tras resolver un problema hacemos alguna modificacin en la formulacin del mismo, es
necesario volver a compilar el modelo (Solve>Compile) antes de volver a usar Solve.

Si el modelo ha podido ser compilado, LINDO comenzar la resolucin efectiva del problema,
mostrando la ventana Status, donde se da informacin sobre el estado del proceso resolutivo:



A continuacin se describen algunos de los campos que aparecen en la ventana anterior:

Status: ofrece el estado de la solucin actual (ptima, factible, no factible, o no acotada).

Iterations: nmero de iteraciones (tablas del algoritmo) que se han realizado.

Infeasibility: cantidad por la cual las restricciones han sido excedidas o violadas.

Objective: valor actual de la funcin objetivo.

Elapsed time: tiempo transcurrido desde el inicio de la resolucin.

Update Interval: la frecuencia (en segundos) en que esta ventana es renovada.
Introduccin a la IO
Proyecto e-Math 16
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Cuando la resolucin haya finalizado, el programa nos preguntar si queremos realizar un
anlisis de sensibilidad. De momento elegiremos la opcin NO. Aparecer una nueva ventana
en la pantalla, la Reports Window, a la cual LINDO enviar todo el output en forma de texto:



La informacin bsica que nos proporciona esta ventana para nuestro ejemplo de las mesas es
que se han necesitado dos iteraciones para llegar a dar con la solucin ptima de fabricar 210
mesas del tipo M
1
y 60 del tipo M
2
, con lo cual obtendremos un beneficio de 375 (el mximo
de los posibles bajo las restricciones que tenemos). Adems, con este plan de produccin
estaremos agotando todos nuestros recursos, tanto el tiempo de mano de obra como el tiempo
de mquina disponible (dado que la columna SLACK OR SURPLUS toma el valor 0 en ambas
restricciones).

Como puede observarse el uso de LINDO es muy cmodo para el usuario de Programacin
Lineal. No necesita de conocimientos especializados, sino que tan slo requiere del uso del
sentido comn. Est es la principal ventaja de esta herramienta en optimizacin lineal.
Introduccin a la IO
Proyecto e-Math 17
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

BIBLIOGRAFA ______________________________________________


[1] Anderson, D.R., Sweeney, D. J. y Williams, T.A. (2001): Quantitative Methods for Business.
West Publishing Company. (Existe versin en espaol)

[2] Camm, J. y Evans, J.R. (2000): Management Science and Decision Technology. South
Western College Publishing.

[3] Faulin, J. (1998): Introduccin histrica al desarrollo e implantacin de la Investigacin
Operativa. Cuadernos de Bioestadstica y sus aplicaciones informticas. Vol.16, n1, pp. 88-
104.

[4] Hillier, F.S. y Liebermann, G.J. (2001): Introduccin a la Investigacin de Operaciones. Ed.
McGraw-Hill.

[5] Hillier, F.S., Hillier, M.S. y Liebermann, G.J. (2000): Introduction to Management Science. A
Modeling and Case Studies Approach with Spreadsheets. Irwin-McGraw-Hill.

[6] Winston, W. (1994): Investigacin de Operaciones. Aplicaciones y Algoritmos. Grupo Editorial
Iberoamericano.

[7] Winston, W. y Albright, S. C. (1997): Practical Management Science. Spreadsheet Modeling
and Applications. Duxbury Press.



ENLACES ___________________________________


[W1] http: //www.informs.org/ Pgina de INFORMS la Sociedad Americana de Investigacin
Operativa.

[W2] http: //www.ifors.org/ Pgina de IFORS la Federacin Internacional de Sociedades de IO.

[W3] http://opsresearch.com/cgi-bin/mainIndex.cgi/ Pgina de informacin genrica de IO.

[W4] http://www.orsoc.org.uk/ Pgina de OR Society la Sociedad Britnica de Investigacin
Operativa.

[W5] Grupo de noticias /sci.op-research/ Es un grupo de noticias sobre temas de IO.