INVESTIGACION
Dake) aa.7 Xele ss
Cree ta Hillier ° Lieberman
Pe
Pe
Cad
RoIntroducci6én
ORIGENES DE LA INVESTIGACION DE OPERACIONES
Desde el advenimiento de la Revolucién Industrial, cl mundo ha sido testigo de un creci-
miento sin precedentes en el tamafo y a complejidad de las organizaciones. Los pequefios ta-
Ilcres artesanales de otra época se convirtieron en las corporaciones actuales de miles de
millones de détares. Una parte integral de este cambio revolucionario fae el gran aumento en
la divisidn del trabajo y en la separaci6n de las responsabilidades administrativas en estas or-
ganizaciones. Los restiltados han sido espectaculares. Sin embargo, junto con los beneficios,
el aumento en el grado de especializacién creé nuevos problemas que ocurren hasta la fecha
‘en muchas empresas. Uno de estos problemas es la tendencia de muchas de las componentes
de una organizacién a convertirse cn imperios de relativa autonom(a, con sus propias metas y
sistemas de valores; con esto pierden la visién de la forma en que sus actividades y objetivos
eneajan con los de toda la organizacién. 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 es que conforme la complejidad y Ia especializacién crecen, se vuelve
més dificil asignar los recursos disponibles a las diferentes actividades de la manera més eficaz
para la organizacién 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
investigacién de operaciones (a la que también se haré referencia como IO).
Las raices de la 1O se remontan a muchas décadas, cuando se hicieron los primeros inten-
tos para emplear el método cientifico en la administracién de una empresa. Sin embargo, el
inicio de la actividad llamada investigacién de operaciones, casi siempre se atribuye a los servi-
cios militares prestados a principios de la Segunda Guerra Mundial. Debido a los esfuerzos
bélicos, existfa una necesidad urgente de asignar recursos ¢scasos a las distintas operacio-
nes militares ya las actividades dentro de cada operacidnen la forma més efectiva. Poresto, las
administraciones militares americana y briténica hicieron un llamado aun gran niimero de
cientificos para que aplicaran el método cientifico a éste y a otros problemas estratégicos y
tfeticos. De hecho, se les pidid que hicieran investigacin sobre operaciones (militares). Estos
equipos de cientificos fueron los primeros equipos de IO, Con el desarrollo de métodos efec-
tivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate aéreo
britanico, A través de sus investigaciones para mejorar el manejo de las operaciones antisub-
marinas y de proteccidn, jugaron tambien un papel importante en la victoria de la batalla del
Atlintico Norte. Esfuerzos similares fueron de gran ayuda en la Campafia del Pacifico.
Alterminar la guerra, e! éxito de la investigacidn de operaciones en las actividades bélicas
generé un gran interés en sus aplicaciones fucra del campo militar. Como la explosi6n indus-
trial segufa su curso, los problemas causados por el aumento en la complejidad y especializa-
cién dentro de las organizaciones pasaron de nuevo a primer plano. Comenzé a ser evidente1 Introduccién
para un gran mimero de personas, incluyendo a los consultores industriales que habfan traba-
jado con o para los equipos de IO durante la guerra, que esto’ problemas eran en esencia los
‘mismos que los enfrentados por la milicia, pero en un contexto diferente. Al inicio de la déca-
dade 1950, estos individuos habfan introducido el uso de Ia investigacion de operaciones en
la industria, los negocios y el gobierno. Desde entonces, se ha desarrollado con rapidez.
Se pueden identificar por lo menos otros dos factores que tuvieron gran importancia en
el desarrollo de la IO en este periodo, Uno es el gran progreso que ya se habfa hecho en el me-
joramicnto de las técnicas disponibles. Después de la guerra, muchos cientificos que habfan
participado en los equipos de IO o que tenfan informacién sobre este trabajo, se encontraban
‘motivados a buscar resultados sustanciales; de esto resultaron avances importantes. Un ejem-
plo sobresaliente es el mnétoda simplex para resolver problemas de programacién lineal, desa-
rrollado en 1947 por George Dantzig. Muchas de las herramientas caracteristicas de la 10,
como programacién lineal, programacién dindmica, Iineas de espera y teorfa de inventarios,
se habian desarrollado casi por completo antes del término de la década de 1950.
Un segundo factor que dio un gran fmpetu al desarrollo de este campo fue la revoluucién de
Jas computadoras. E] manejo efectivo de los complejos problemas inherentes ala IO, casi siem-
pre requiere un gran mimero de célculos, Realizarlos a mano puede resultar casi imposible.
Por lo tanto, el desarrollo de la computadora electrénica digital, con su capacidad para hacer
cilculos aritméticos, miles 0 tal ver. millones de veces mds rapido que los seres humanos, fue
tuna gran ayuda para la investigacin de operaciones. Un avance més tuyo lugar en la década
de 1980 con el desarrollo de computadoras personales cada vez mds rpidas, acompatiado de
buenos paquetes de software para resolver problemas de IO. Esto puso las técnicas al aleance
de un gran mimero de personas. Hoy en dia, literalmente millones de individuos tienen acce-
so aestos paquetes. En consecuencia, por rutina se usa toda una gama de computadoras, des-
de las grandes hasta las portétiles, para resolver problemas de investigaci6n de operaciones.
NATURALEZA DE LA INVESTIGACION DE OPERACIONES
Como su nombre lo dice, la investigacién de operaciones significa “investigar sobre las ope-
raciones”. Entonces, la investigacidn de operaciones se aplica a problemas que se reficren a la
conduccidn y coordinacién de operaciones (0 actividades) dentro de una organizacién. La
naturaleza de la organizacién es en esencia inmaterial y, de hecho, la IO se ha aplicado de ma-
neta extensa en dreas tan diversas como manufactura, transporte, construcci6n, telecomuni-
caciones, planeacién financiera, cuidado de la salud, milicia y servicios puiblicos, pornombrar
s6lo unas cuantas. Asi, la gama de aplicaciones es extraordinariamente amplia.
La parte de investigacién en el nombre significa que la TO usa un enfoque similar a lama-
nera en que se leva cabo la investigacién en los campos cientificos establecidos, En gran me-
dida, se usa el método cientifico para investigar el problema en cuestién. (De hecho, en
ocasiones se usa el término ciencins de la administracién como sindnimo de investigacién de
operaciones.) En particular, el proceso comienza por la observaciGn cuidadosa y la formula-
cién del problema incluyendo la recoleccién de los datos pertinentes. El siguiente paso es la
construccién de un modelo cientifico (por lo gencral matemdtico) que intenta abstraer
acsencia del problema real. En este punto se propone la hipétesis de que el modelo es una re-
presentacién suficientemente precisa de las caracteristicas esenciales de la situacién para que
las conclusiones (soluciones) obtenidas sean vilidas también para el problema real. Después,is
1.3 Impacto de la investigacién de operaciones 3
_ se llevan a cabo los experimentosadecuados para:probar esta hipdtesis, modificarlasiesnece-
sario yeventualmente verificarla. (Este paso se conoce comas#idavidwdet: modelo.) Entonces,
en cierto modo, la IO incluye la investigacién cientifica creativa de las propiedades funda-
mentales de las operaciones. Sin embargo, es mds que esto. En particular, la IO se ocupa tam-
bién de la administraci6n practica de la organizacién. Asi, para tener éxito, deberd también
proveer conclusiones claras que pueda usar el tomador de decisiones cuando las necesite.
Una caracterfstica mds de la investigacién de operaciones es su.amplio punto de vista.
Como quedé implicito en la seccién anterior, la IO adopta un punto de vista organizacional.
Asi, intenta resolver los conflictos de intereses entre las componentes de la organizacién de
forma que el resultado sea el mejor para la organizacién completa. Esto no significa que el ¢s-
tudio de cada problema deba considerar en forma explicita todos los aspectos de la organiza-
cién, mds bien los objetivos que se buscan deben ser consistentes con los objetivos globales.
Una caracteristica adicional es que la investigacién de operaciones intenta encontrar una
. mejor solucién (llamada solucidn ¢ptima) para el problema bajo consideracién. (Decimos una
mejor solucién y no /a mejor soluci6n porque pueden existir muchas soluciones que empaten
como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identifi-
car el mejor curso de accién posible. Aun cuando debe interpretarse con todo cuidado en tér-
minos de las necesidades reales de la administracién, esta “busqueda de la optimalidad” es un
aspecto importante dentro de la investigacién de operaciones.
Todas estas caracteristicas llevan de manera casi natural a otra. Es evidente que no puede
esperarse que un solo individuo sea un experto en los multiples aspectos del trabajo de inves-
tigacién de operaciones o de los problemas que se estudian; se requiere un grupo de indivi-
duos con diversos antecedentes y aptitudes. Entonces, cuando se va a emprender un estudio
de IO completo de un nuevo problema, por lo genera! es necesario emplear el enfoque de equi-
po. Este debe incluir individuos con antecedentes firmes en matematicas, estadistica y teo-
ria de probabilidades, al igual que en economia, administracién de empresas, ciencias de la
computacién, ingenierfa, ciencias fisicas, ciencias del comportamiento y, por supuesto, en las
técnicas especiales de IO. El equipo también necesita la experiencia y aptitudes necesarias
para la consideracién adecuada a todas las ramificaciones del problema en la organizacion.
IMPACTO DE LA INVESTIGACION DE OPERACIONES
La investigacién de operaciones ha tenido un impacto impresionante en el mejoramiento de
la eficiencia de numerosas organizaciones en todo el mundo. En el proceso, la IO ha hecho
contribuciones significativas al incremento de la productividad dentro de la economia de va-
rios paises. Hoy existen mds de 30 paises miembros de la International Federation of Opera-
tional Research Societies (IFORS), y cada uno cuenta con una sociedad de investigacion de
operaciones. Tanto en Europa como en Asia, existen federaciones de sociedades de IO que
realizan conferencias y publican revistas internacionales e4 esos continentes.
Sin duda, el impacto de la investigacién de operaciones continuard aumentando. Por
ejemplo, segiin el U.S. Bureau of Labor Statistics, la IO es una de las dreas profesionales con
crecimiento mds r4pido para estudiantes universitarios graduados en Estados Unidos.
Para dar una mejor idea del amplio uso de la IO se enumeran en la tabla 1.1 algunas apli-
caciones reales que han tenido reconocimiento. Observe la diversidad de organizaciones y
aplicaciones en las primeras dos columnas. El lector curioso puede encontrar un articulo
completo que describe cada aplicacién en el mimero de enero-febrero de Interfaces del aio4 1 Introduccién
TABLA 1.1 Algunas aplicaciones de investigacién de operaciones
Aio de CapitulosAhorros
Organizacién __Naturaleza de la aplicacién publicacién® relacionados* anuales
‘The Netherlands Desarrollo de politica nacional de administracién del 1985 28,1322, $15 millones
Rijeswaterstaat agua, incluye mezcla de nuevas instalaciones,
procedimientos de operacion y costeo.
Monsanto Corp. Optimizacin de operaciones de produccién para cumplir 1985 2.12 $2 millones
‘metas con un costo minimo.
United Airlines Programacién de turnos de trabajo en oficinas de 1986 29,12, 17,18, $6 millones
reservaciones y aeropuertos para cumpli con las 20
necesidades del cliente a un costo minimo.
‘Citgo Petroleum Optimizacién de las operaciones de refinacién y de la 1987 29,20 $70 millones
Corp. oferta, ditribucién y comercializaci6n de productos.
San Francisco Optimizacién de la programaci6n y asignacién de oficiales 1989 2-4,12,20 $11 millones
Police de patrulla con un sistema computarizado.
Department
Texaco, Ine. ‘Optimizacién de la mezcla de ingredientes disponibles 1989 2.13 $30 millones
para que los productos de gasolina cumplieran con los
‘requerimientos de ventas y calidad.
1B Integracién de una red nacional de inventario de 1990 2.19.22 $20 millones +
refacciones para mejorar el apoyo al servicio. $250 millones en
‘menor inventario
Yellow Freight Optimizacién del disefo de una red nacional de 192 2,9, 13,20, 22. $17.3 millones
System, Inc. ‘ransporte y la programacion de rutas de envio.
New Haven Disefio de un programa efectivo de intercambio de agujas 1993 2 33% menos
Health Dept. ___para combatirel contagio del SIDA. contagios
ATaT Desarrollo de un sistema basado en PC para guiar alos 1993 17,18,22 $750millones
clientes del negocio en el disefo del centro de lamadas.
Delta Aidines _-Maximizacién de ganancias a partir dela asignaci6n de los 1994 2 $100 millones
tipos de aviones en 2.500 wuelos nacionales.
Digital Equipment —Reestructuraci6n de toda la cadena de proveedores entre 1995 2 $800 millones
Corp. proveedores, plantas, centros de distribucién, sitios
potencies y 4reas de mercado.
China Seleecién y programacién éptima de proyectos masivos. 1995 12 ‘$425 millones
para cumplir con las necesidades futuras de energia de!
pais.
‘Cuerpo de Redisefio Sptimo del tamafo y forma del cuerpo de 1997 12 $1 100 millones
defensa de defensa y su sistema de armas
Sudsfrica
Procter and Rediseho del sistema de produccion distribucién 197 8 '$200 millones
Gamble rnorteamericano para reducir costos y mejorar la rapidez
de llegada al mercado.
Taco Bell Programacién éptima de empleados para proporcionar el 1998 12,20,22 $13 millones
‘servicio a clientes deseado con un costo minimo,
Hewlett-Packard — Redisefio de tamafo y loclizacién de inventarios de 1998 17.18 $280 millones de
seguridad en la linea de produccién de impresoras para ingreso adicional
‘cumplir metas de produccién.
“Pertenece a los nlimeros de enero-febrero de Interfaces en donde se puede encontrar un articulo completo con la descripeién de
} Ia aplicacion.
{Se refiere a los capitulos de este libro que describen las técnicas de 10 empleadas en las aplicaciones.1.4. Algoritmos y paquetes de |O 5
citado cn la tercera columna de la tabla. La cuarta cohumna contiene los capitulos de este Libro
que describen los tipos de técnicas de IO usadas en la aplicacién. (Observe que muchas apli-
caciones combinan varias técnicas.) La Ultima columna indica que estas aplicaciones signifi-
caron ahorros anuales del orden de millones (y aun de decenas de millones) de délares, Lo
que ¢s més, algunos beneficios adicionales no registrados en la tabla (como un mejor servicio
al cliente y mayor control administrativo) se consideraron mds importantes, en ciertos casos,
que los beneficios financieros. (El lector tendr4 oportunidad de investigar estos beneficios
menos tangibles en los problemas 1.3-1 y 1.3-2.)
‘Aunque la mayorfa de los estudios de rutina de investigaci6n de operaciones proporcio-
nan beneficios mucho més modestos que estas aplicaciones reconocidas, las cifras cn la co-
tumna de Ja derecha de la tabla 1.1 reflejan el gran impacto que suelen tener Los estudios
grandes y bien disefiadas de IO.
En el capitulo siguiente se presenta una descripcién breve de estas aplicaciones y dos de
cllas se estudian con més detalle en la seccién 3.5 como casos de estudio.
1.4 ALGORITMOS Y PAQUETES DE IO.
Una parte importante de este libro es la presentacidn de los algoritmos (procedimientos ite-
rativos de solucién) més importantes de IO para resolver cierto tipo de problemas. Algunos
de estos algoritmos son excepcionalmente eficientes y por rutina se utilizan para problemas
que incluyen cientos o miles de variables. Encontraré una introduccién acerca de cémo fun-
cionan y qué los hace tan eficientes, Después usar los algoritmos para resolver diversos pro-
blemas en una computadora, El CD-ROM llamado OR Courseware que acompafia a este
libro seri la herramienta para hacerlo.
Una caracteristica especial del OR Courseware es un programa llamado OR Tator que
intenta ser su tutor personal para ayudarle en el aprendizaje de los algoritmos. Consiste en
muchos ejemplos de demostracién que despliegan y explican los algoritmos en accién. Estos
“demos” complementan los ejemplos del libro.
Ademds, el OR Courseware incliye muchas rutinas interactivas para ejecutar los algorit-
‘mos de manera interactiva en un formato conveniente de hoja de calculo. La computadora
realiza todos los célculos de rutina mientras el estudiante centra su atencidn en aprender y-cje-
cutar la légica del algoritmo. Encontrard que estas rutinas interactivas son una manera efi-
ciente c ilustrativa para resolver muchos de los problemas de tarea.
En general, en la prictica los algoritmos se ejecutan en paquetes de software comercial.
Pensamos que es importante familiarizar al estudiante con la naturaleza de los programas que
usaré en la vida profesional, Por lo tanto, el OR Courseware incluye una gran cantidad de ma-
terial para introducir los tres paquetes de mayor uso que se describen a continuacién, Juntos,
estos paquetes le permitirdn resolver casi todos los modelos de IO encontrados en este libro
con una gran eficiencia. Agregamos nuestras propias rutinas automdticas al OR Courseware
s6lo para algunos casos en que no se aplicaban estos paquetes.
Un enfoque muy comiin ahora es el uso del paquete de hojas de cdlculo Kider, Micrasoft
Excel, para formular pequetios modelos de IO en ese formato. Después se usa e! Excel Solver
para resolver los modelos. El OR Courseware inclaye un archivo de Excel separado para casi
cada capitulo del libro. Cada vez.que se presenta un ejemplo que se puede resolver con Excel,
se proporciona la formulacién completa en una hoja de calculo y se da la solucién en el archi-| Introduceién
vo de Excel de ese capitulo, Para muchos modelos en el libro, se dispone de una plantilla de
-Bxcel que ya incluye las ccuaciones necesarias para resolver el modelo. Algunos complementos
de Excel también estén incluidos en el CD-ROM
Después de muchos afios, LINDO (y su lenguaje de modelado LINGO) contintia do-
minando el software de investigacién de operaciones, Las versiones para estudiante de LIN-
DOy LINGO ahora se puede bajar gratis de Internet. En cuanto a Excel, cada vez que un
cjemplo se pueda resolver con este paquete, se darén todos los detalles en una archivo de
LINGO/LINDO para ese capitulo en el OR Courseware.
CPLEX es un paquete de software de los mas recientes que tiene un amplio uso para re-
solver problemas grandes que son un reto en investigacién de operaciones. Al manejar tales
problemas, también cs comiin usar un sistema de modelado para formular el modelo matemsti-
co de manera cficiente ¢ introducirlo en la computadora. MPL es un sistema de modelado
amigable que utiliza CPLEX para resolver los modelos. ‘También se dispone de versiones de
cstudiante gratis de estos paquetes en Internet. Para conveniencia del lector, se han incluido
dichas versiones en el OR Courseware, De nuevo, todos los ejemplos que se pueden resolver
con estos paquetes se detallan en los archivos en MPL/CPLEX para los capitulos correspon-
dientes en el OR Courseware.
Estos tres paquetes y la manera de usarlos se describirdn con mas detalle (en especial cer-
ca del final de los capitulos 3 y 4). El apéndice 1 también proporciona documentacién para el
OR Courseware y se incluye el OR Tutor,
Para advertirie acerca del material relevante en cl OR Courseware, al final de cada capitu-
loa partir del 3 se presenta una lista llamada ayuda parn el aprendizaje de este capitulo en OR
Courseware. Como se explica al principio de la seceién de problemas de cada capitulo, se colo-
caron simbolos ala izquierda del niimero del problema o del inciso cuando ese material puede
ser titil (incluyendo los ejemplos de demostracién y las rutinas interactivas).
PROBLEMAS
1.3-1. Seleccione una de las aplicaciones dadas en la ta-
Dla 1.1. Lea el articulo que la describe en el ntimero de
cenero-febrero de Interfaces del aiio indicado en la tercera
columna, Escriba un resumen de dos paginas acerca de la
aplicacidn y los beneficios que proporcioné (incluya los
beneficios no financieros).
1.3-2. Seleccione tres de las aplicaciones de investiga
cin de operaciones dadas ena tabla 1.1, Lea los articulos
correspondientes en los mimeros de enero-febrero de
Interfaces dc los aios indicados en la tercera cokumna, Para
cada uno, escriba un resumen de una pagina acerca de la
aplicacién y sus heneficios (incluya los no financieros).24
2
Panorama del enfoque de
modelado en investigacion
de operaciones
La mayor parte de este libro esta dedicada a los métodos matemiticos de investigacién de
operaciones (IO). Esto es apropiado, ya que las técnicas cuantitativas constituyen la parte
principal de lo que se conoce sobre el tema. Sin embargo, esto no significa que los estudios
pricticos de IO sean en esencia ejercicios de mateméticas. De hecho, con frecuencia, el andli-
sis matemitico sdlo representa una pequefia parte del trabajo que se requiere. El propésito de
este capitulo es dar una mejor perspectiva con la descripcién de las etapas més importantes
de un estudio caracteristico de 10.
‘Una manera de resumir las etapas usuales (no secuenciales) de un estudio de investiga-
cién de operaciones es la siguiente:
1. Definicién del problema de interés y recoleccién de los datos relevantes.
2. Formulacién de un modelo matemdtico que represente el problema,
3. Desarrollo de un procedimiento basado en computadora para derivar una solucién al
problema a partir del modelo.
4. Prueba del modelo y mejoramiento segtin sea necesario.
5. Preparacin para la aplicacién del modelo prescrito por la administracién.
6. Puesta en marcha.
En las siguientes secciones se analizar4 cada una de estas etapas.
La mayoria de los estudios de IO enumerados en ka tabla 1.1 proporcionan ejemplos ex-
celentes de la realizacién correcta de estas etapas. Se intercalardn fragmentos de estos ejem-
plos a lo largo de! capitulo con sus referencias para invitarlo a leer més sobre el tema.
DEFINICION DEL PROBLEMA Y RECOLECCION DE DATOS
Al contrario de los ejemplos de los libros de texto, la mayor parte de los problemas précticos
que enfrenta un equipo de IO se les describen, al principio, de una manera vaga e imprecisa.
Por consiguiente, la primera actividad a realizar es estudiar el sistema relevante y desarrollat
un resumen bien definido del problema que se va a analizar. Esto ineluye determinar los obje-
tivos apropiados, las restricciones sobre lo que se puede hacer, as interrelaciones del 4rea bajo
estudio con otras dreas de la organizaci6n, los diferentes cursos de accidn posibles, los limites
de tiempo para tomar una decisién, etcétera. Este proceso de definicién del problema es cru-
cial ya que afectaré en forma significativa la relevancia de las conclusiones del estudio. iEs di-
ficil extraer una respuesta “correcta” a partir de un problema “equivocado”!2_ Panorama del enfoque de modelado en investigacién de operaciones
Lo primero que debe reconocerse es que un equipo de 10, por lo general, trabaja en un
nivel de asesorda. A los micmbros del equipo no sc les presenta un problema y sc les dice que lo
resuelvan como puedan, sino que asesoran a la gerencia (casi siempre un tomador de decisio-
nes clave). El equipo realiza un andlisis téenico devallado y después presenta recomendacio-
nesalos administradores. Con frecuencia, el informe a la gerencia identifica cierto niimero de
opciones que son atractivas, en particular con diferentes suposiciones o para diferentes gamas
de valores de algiin parémetro que marca una politica que puede ser evaltiada s6lo por esa ge-
rencia (por ejemplo, el trueque entre costo y benefici). El gerente evalia el estudio y sus reco-
mendaciones, toma en cuenta una variedad de factores intangibles y toma una decisién final
con base en sti mejor juicio, Entonces, es vital que el equipo de IO pueda observar al mismo
nivel que la gerencia, incluyendo la identificacién del problema “correcto” desde el punto de
vista gerencial y que, a su vez, la gerencia le brinde apoyo sobre cualquier curso que tome el
estudio.
Determinar los abjetivos adecuadas es un aspecto muy importante de la formulacién del
problema. Para hacerlo, es necesario primero identificar a las personas de la administracién
que de hecho tomarsn las decisiones concernientes al sistema cn estudio, y después escudri-
fiar el pensamiento de estos individuos respecto a los objetivos pertinentes. (Incluir al toma-
dor de decisiones desde el principioes esencial para obtener suapoyoal realizar el estudio.)
Por su naturaleza, la TO se encarga del bienestar de toda la organizacin, no sélo de aigu-
‘nas componentes. Un estudio de IO busca soluciones éptimas globales y no soluciones sub-
‘ptimas aunque sean lo mejor para una de las componentes. Entonces, idealmente, los
objetivos formulados deben coincidir con los de toda la organizacién, Sin embargo, esto no
siempre es conveniente. Muchos problemas interesan nada més a una parte de la organiza~
cién, de manera que el anilisis serfa demasiado extenso silos objetivos fueran muy generales y
si se prestara atencién especial a todos los efectos secundarios sobre el resto de la organiza-
cin. En lugar de ello, los objetivos usados en un estudio deben ser tan especificos como sea
posible, siempre y cuando contemplen las metas principales del tomador de decisiones y
mantengan un-nivel razonable de consistencia con los objetivos de nivel més alto.
Cuando se trata de organizaciones lucrativas, un enfoque posible para no caer en el pro-
blema de suboptimizacin es utilizar la maximizacidn de la,ganancia a largo plazo (consideran-
do el valor del dinero en el tiempo) como un objetivo tinico. El adjetivo a laxgo plazo, indica
que este objetivo proporciona la flexibilidad para considerar actividades que no se traducen
de immediato en ganancias (como los proyectos de investigacién y desarrollo) pero que con el
tiempo tendran que hacerlo para que Valgan la pena. Este enfoque tiene muchas ventajas, El
objetivo es suficientemente especifico para usarlo en forma adecuada y al mismo tiempo lo
bastante amplio para tomar en cuenta la meta basica de las organizaciones lucrativas. De he-
cho, algunas personas piensan que cualquier otro objetivo legitimo se puede traduciren éste.
Sin embargo, en la préctica, muchas organizaciones lucrativas no usan este enfoque.
Algunos estudios de corporaciones norteamericanas han encontrado que la administracién
tiende a adoptar la meta de ganancias satisfzctorias combinada con otros objetives, en lugar de
enfocarse en la maximizacién de la ganancia a largo plazo. Algunos de estos otras objetivos
pueden ser conservar la estabilidad en las ganancias, aumentar (0 conservar) la participacién
del mercado con que se cuenta, permitir la diversificacién de productos, mantener precios ¢s-
tables, mejorar las condiciones yel 4nimo de los trabajadores, mantener el control familiar so-
bre el negocio e incrementar el prestigio de la compaffa. Al cumplir con estos objetivos tal
vee se logre maximizar las ganancias a largo plazo, pero la relacién puede ser tan oscura que
quiz sea mejor no incorporarlos en este objetivo.2.1. Definicién del problema y recoleccién de datos 9
‘Todayfa més, existen otras consideraciones que inclayen responsabilidades sociales muy
distintas del motivo de las ganancias. Dentro de un solo pais, las cinco partes que que-
dan afectadas en una empresa de negocios son: 1) los ditefis (accionistas, etc.), que desean
obtener ganancias (dividendos, vahuacién de las acciones, etc.); 2) los empleados, que quicren
un empleo seguro con un salario razonable; 3) los clientes, que quieren un producto confiable
.un precio justo; 4) los proveedores, que desean integridad y un precio de venta razonable para
sus bienes ,y 5) el gobierno, y por ende, la nacién, que quiere el pago de impuestos justos y que
se tome en cuenta el interés nacional. Las cinco partes hacen contribuciones esenciales a la
empresa, y ésta no debe servir a ninguna de estas partes para explorar a las otras, De lamisma
manera, las corporaciones internacionales adquicren las obligaciones adicionales de cumplir
con una practica social responsable. Entonces, aunque se acepte que obtener ganancias es la
responsabilidad primordial de Ia gerencia (lo cual en tiltima instancia, beneficia a las cinco
partes), deberdn también reconocerse estas responsabilidades sociales més extensas.
Es comin que los equipos de IO pasen mucho tiempo en la recoleccin de los datos relevan-
tes sobre el problema, Se necesitan muchos datos tanto para lograr un entendimiento exacto
del problema como para proporcionar el insumo adecuado para el modelo matemitico que se
formularé en a siguiente etapa del estudio. Con frecuencia, no se dispondré de muchos de los
datos necesarios al inicio del estudio, ya sea porque nunca se guard6 la informacién o porque
lo que se guardé esté obsoleto o en la forma equivocada. Entonces, muchas veces se debe ins-
talar un nuevo sistema de informacidn gerencial para reunir los datos sobre la marcha en la for-
ma adecuada, Tomar un tiempo considerable al equipo de IO recabar la ayuda de otros
individuos clave de la organizacién para recolectar todos los datos vitales. Aun con este ¢s-
fuerzo, muchos datos pueden ser “suaves”, es decir, estimaciones burdas basadas sdlo en jui-
cios personales. A menndo, el equipo de IO pasaré una gran cantidad de tiempo intentando
mejorar la precisién de los datos yal final tendré que trabajar con lo mejor que pudo obtener.
Ejemplos. Un estudio de IO para el Departamento de Policia de San Francisco! dio
como resultado el desarrollo de un sistema computarizado para la programacién y asignacién
<6ptima de los oficiales de patrulla de la policfa, El nuevo sistema proporcioné un ahorro anual
de$11 millones de délares, un incremento anual de $3 millones en los ingresos por infraccio-
nes de trdnsito y una mejora de 20% en los tiempos de respuesta. Al estableccr los objetivas
adecuados para este estudio, se identificaron tres de ellos como fundamentales:
1, Mantener un alto nivel de seguridad civil.
2. Mantener un alto nivel de estado de animo de los oficiales.
3. Minimizar el costo de las operaciones.
Para satisfacer el primer objetivo, el departamento de policia y el gobierno de la ciudad esta-
blecieron un nivel deseado de proteccidn. El modelo matematico impuso entonces el requisi-
to de lograr este nivel de proteccién, De manera similar, el modelo impuso el requisito de
balancear la carga de trabajo entre los oficiales con el fin de lograr el segundo objetivo. Por tl-
timo, el tercer objetivo se incorporé adoprando la meta de largo plazo de minimizar el ntime-
0 de oficiales necesarios para cumplir con los dos primeros abjetivos.
1P, B, Taylory S, J, Huxley: “A Break from Tradition for the San Francisco Police: Patrol Officer Scheduling Using
an Oprimization-Based Decision Suppor System”, Interfaces, 19(1): 4-24, enero-febrero, 1989. Vea en especial
pp. #11.10
22
2_ Panorama del enfoque de modelado en investigacién de operaciones
El Departamento de Salud de New Haven, Connecticut utiliz6 un equipo de 10}
pata disefiar un programa efectivo de intercambio de agujas para combatir el contagio de! vi-
us que causa el SIDA (VIH), y tuvo éxito en la reduccion del 33% de la tasa de infeccion en
tte los clientes del programa. La parte central de este estudio fue un innovador programa de
recoleccién de dates para obtener los insumos necesatios para los modelos mateméticos de
transmisiGn del SIDA. Este programa abarcé un rastreo completo decada aguja (y cada jerin-
ga), con la identificacién, localizacién y fecha de cada persona que recibia una aguja y cada
persona que la regresaba durante un intercambio, junto con la prueba de si la condicidn de la
aguja eta VIH-positivo 0 VIH-negativo.
‘Unestudio de IO hecho para Citgo Petroleum Corporation? optimizé tanto las opera-
ciones de refinacién como el abastecimiento, la distribucidn y la comercializacién de sus pro-
ductos, logrando una mejora en las utilidades de alrededor de $70 millones de délares al afio.
Larecolecciin de datos también jugé un papel muy importante en este estudio. Elequipo de 10.
realizé juntas de requerimientos de datos con la alta aciministracién de Citgo paraasegurar la
calidad continua de los datos. Se desarrollé un sistema de base de datos administrativo con
tecnologia de punta y se instalé en una minicomputadora. Para los datos requeridos que no
existian, se crearon pantallas de LOTUS 1-2-3 para que el personal de operaciones introdije-
ra los datos en computadoras personales (PC) que después se transferian a la minicompu-
tadora. Antes de introducir los datos en el modelo matemético, se us6 un programa para
verificar errores ¢ inconsistencias. Al principio, este programa generaba ua listado de errores
y mensajes de Tuna pulgada de ancho! Con el tiempo, el nimero de ertores y mensajes (que
indicaban nimezos equivocados o dudosos) se redujo.a menos de 10 por cada nueva corrida,
En a seccién 3.5 se describird el estudio de Citgo con mis detalle.
FORMULACION DE UN MODELO MATEMATICO
Una vez.definido el problema del tomador de decisiones, la siguiente etapa consiste en sefor-
mularlo de manera conveniente para su andlisis. La forma convencional en que la investiga-
cién de operaciones realiza esto es construir un modelo matemitico que represente la esencia
del problema. Antes deanalizar cémo formular los modelos de este tipo, se explorard su natu-
raleza general y, en particular, la de los modelos mateméticos.
Los modelos, 0 representaciones idealizadas, son una parte integral de la vida diatia,
Entre los ejemplos més comunes pueden citarse acromodelos, retratos, globos terriquieos
otros. De igual manera, los modelos tienen un papel importante en la ciencia y los negocios,
como lo hacen patente los modelos del 4tomo y de estructuras genéticas, las ecuaciones mate.
maticas que describen las leyes fisicas del movimiento o las reacciones quimicas, las grficas,
10s organigramas y los sistemas contables en la industria, Esos modelos son invaluables, pues
extraen la esencia de la materia de estudio, muestran sus interrelaciones y facilitan el anlisis.
'E, H. Kaplany E, O'Keefe: “Ler the Needles Do the Talking! Evaluating the New Haven Needle Exchange”, Inter
‘faces, 23(1): 7-26, enero-febrero, 1993, Vea en especial pp. 12-14.
2D. Klingman, N. Phillips, D. Sceiger, R. Wirth y W. Young: “The Challenges and Success Factors in Implementing
an Integrated Products Planning System for Citgo", Interfcer,16(3): 1-19, mayo-junio, 1986, Vea en especial pp.
11-14, Vextambién D. Klingman, N. Philips, D. Steiger y W. Young, “The Successful Deployment of Management
Science throughout Cigo Petroleum Corporation”, Jnterices, 17(1): 4-28, enero-febrero, 1987. Vea en especial
pp. 13-18, Esta aplicacidn se describe en la seccién 3.5.2.2. Formulacién de un modelo matemético Ui
Los modelos matematicos también son representaciones idealizadas, pero estin expresa-
das en términos de simbolos y expresiones matemiticas, Las leyes de la fisica como F = ma y
E=me? son cjemplos familiares. En forma parecida, el modelo matemitico de un problema
industrial es el sistema de ecuaciones y expresiones matemticas relacionadas que describen la
esencia del problema. Asi, si deben tomarse-7 decisiones cuantificables relacionadas entre si,
serepresentan comovariables de decision (digamos, #7), 225... %») para las quese deben de-
terminar los valores respectivos. La medida de desempefio adecuada (por ejemplo, la ganan-
Gia) se expresa entonces como una funcién matenratica de estas variables de decision (por
cjemplo, P=3., +2, +--+ 5x,,). Esta funcién se llama funci6n objetivo. También sc ex-
presan en términos matemiticos todas las limitaciones que se puedan imponer sobre los valo-
res de las variables de decisién, casi siempre en forma de ecuaciones 0 desigualdades (como
41+ 3x1x2+ 2s $10), Tales expresiones mateméticas de las limitaciones, con frecuencia
reciben el nombre de restricciones, Las constantes (los cocficientes 0 el lado derecho de las
ecuaciones) en las restricciones yen la funcién objetivo se llaman parametros del modelo. El
modelo matemético puede expresarse entonces como el problema de elegir los valores de las
variables de decisién de manera que se: maximice la funci6n objetivo, sujetaa las restricciones
dadas. Un modelo de este tipo, y algunas variaciones menores sobre él, tipifican los modelos
analizados en investigacién de operaciones.
La decerminacién de los valores adecuados que deben asignarse a los pardmetros del
modelo (un valor por pardmetro) es critica ya la vez un reto dentro del proceso de construc-
cién del modelo. Al contrario de los problemas en los libros donde se proporcionan los nume-
10s, dererminar los valores de los parémetros en los problemas reales requiere la recoleecton de
dos datos velevantes. Como se vio en la seccién anterior, a menudo la recoleccién de datos exac-
tos es dificil. Asi, cl valor asignado a un parémetro muchas veces es, por neccsidad, slo una
estimacién, Debidoa la incertidumbre sobre el valor real del pardmetro, es importante anali-
zat la forma en que cambiarfa (si lo hace) la solucién derivada del probléma cuando el valor
asignado al pardmezro cambia por otros valores posibles. Este proceso se conoce como anli-
sis de sensibilidad que se estudiard en la siguiente secci6n (y en gran parte del cap{tulo 6).
‘Aun cuando se hable dee!” modelo matemético de un problema en la industria, los pro-
bblemas reales por lo general no tienen un solo modelo “correcta”. En la seccion 2.4 se descri-
be la manera en que el proceso de prueba de un modelo conduce a una serie de modelos que
proporcionan representaciones cada vez mejores del problema real. Es posible, incluso, desa-
rrollar dos o més tipos de modelos diferentes para analizar ¢l mismo problema.
Se darn numerosos ejemplos de modelos mateméticos a través del libro. Una clase de
modelos cn especial importante, que se estudia en los capitulos siguientes, ¢s el modelo de
programacién lineal, en el que las funciones matemdticas que aparecen tanto en [a funcin
‘objetivo comoen las restricciones, son funciones lineales, En el capftulo siguiente sc constru-
yen modelos especificos de programacién lineal que se ajustan a diversos tipas de problemas,
como determinar: 1) la mezela de productos que miaximiza la ganancia; 2) el disefio de la te-
rapia de radiacién que combate de manera efectiva un tumot y que al mismo tiempo minimi-
za el dafio al tejido sano circundante; 3) la asignacin de acres a distintas cosechas para
maximizar el rendimiento toral neto, y 4) la combinacidn de métodos de control de contami-
nacién que logran los estandares de calidad del aire a un costo minimo.
Los modelos matemiticos tienen muchas ventajas sobre una descripcién verbal del pro-
bblema. Una ventaja obvia es que el modelo matemstico describe un problema en forma mu-
cho més concisa, Esto tiende a hacer més comprensible toda la estructura del problema y
ayuda a revelar las relaciones importantes causa-efecto. Indica con mds claridad qué datos12
2_ Panorama del enfoque de modelado en investigacién de operaciones
adicionales son importantes para el andlisis. También facilita el manejo del problema en su to-
talidad y al mismo tiempo el estudio de sus interrelaciones. Por ultimo, un modelo matemati-
co forma un puente para cl empleo de técnicas mateméticas y computadoras de alto poder,
para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de softwa-
re para resolver muchos tipos de modelos mateméticos, en micro y minicomputadoras.
Por otro lado, existen obstéculos que deben cvitarse al usar modelos mateméticos.
Unmodelo es, necesariamente, una idealizacién abstracta del problema, por lo que casi siem-
pre se requieren aproximaciones y suposiciones de simplificacién si se desea que el modelo
sca manejable (susceptible deer resuelto). Por lo tanto, debe tenerse cuidado de que el mode-
losea siempre una representacion del problema. El criterio adecuado para juzgar la va-
lidez.de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos
de los diferentes cursos de accién, para poder tomar una decisi6n que tenga sentido. En con-
secuencia, no es necesario incluir detalles sin importancia o factores que tienen aproximada-
mente 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 alter
nativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bas-
tante precisos, Entonces, todo lo que se requiere es que exista una alta correlaciin entre la
prediccién del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cum-
pla, es importante hacer un ntimero consiclerable de prucbas del modelo y las modificaciones
consecuentes, que sern el tema de a seccidn 2.4. Aunque esta fase de pruebas se haya coloca-
do después en el orden del libro, gran parte del trabajo de validacién del modelo se lleva'acabo
en la etapa de construccién para que sirva de gufa en la obtencién del modelo matemético.
Al desarrollar el modelo, se recomienca empezar con una version muy sencilla y mover-
se, de modo evolutivo, hacia modelos més claborados que reflejen mejor la complejidad del
problema real. Este proceso de enrigquecimsiento del mortelo continiia slo mientras sea maneja-
ble. El trueque bisico que debe tomarse en cuenta esté entre la precisién y el manejo del mo-
delo, (Vea en la referencia 6 una descripcién detallada de este proceso.)
Un paso crucial en la formulacién de un modelo de 10 es la construccién de la funcién
objetivo. Esto requiere desarrollar una medida cuantitativa de la efectividad relativa para
cada objetivo que el tomador de decisiones identifica a definir el problema. Sien el estudiose
contempla més de un objetivo, es necesario transformar y combinar las medidas respectivas,
en una medida compuesta de efectividad llamada medida global de efectividad. A veces esta
medida compuesta puede ser algo tangible (como ganancias) y corresponder a una meta mas
alta de la organizacién, o puede ser abstracta (como “utilidad”). En este caso, la tarea para de-
sarrollar una funcién de utilidad puede ser compleja y requerit una comparacidn cuidadosa
de los objetivos y su importancia relativa. Una vez. desarrollada la medida global de efectivi-
lad, la fauncién objetivo expresa esta medida como una funcién matematica de las variables de
decision. Existen métodos que contemplan al mismo tiempo y en forma explicita objetivos
miltiples; en el capitulo 7 se analiza uno de ellos (programacién por objetivos).
Ejemplos. Unestudio de IO realizado para Monsanto Corp.!se refiere ala optimizacién
de las operaciones de produccidn en las plantas quimicas de esta compafia, para minimizar el
costo de cumplir con las metas de cantidad de cierto producto quimico (anhidrido maléico)
'R. F, Boykin; “Optimizing Chemical Production at Monsanto”, Inzeficer, 15(1): 88-95, encro-Febrero, 1985. Vea
en particular pp. 92-93.2.2 Formulacién de un modelo matematico 13
qque debe producirse en un mes dado, Las decisiones que deben tomarse se relacionan con el
disco de control de cada tino de los reactores catalfticos usados para fabricar este producto;
el mimero de control determina tanto ka cantidad producids como el costa de opetacién del
teactor. La forma del modelo matemstico que resulté es la siguiente:
Se eligen los valores de las variables de decision Ry
(eUe Betas
para
Minimizar )) Ry,
aja
sujetaa
DL wRyeT
fips
Ry=, parai=1,2,...,7
Al
Ry=001,
1. siel reactor ise opera en el niimero de control
donde Ry = m ee
0 de otra manera
eq = costo para el reactor é en el nimero de control j
fy = produccién del reactor é en el mimero de control j
T = meta de produccién
+ = mimero de reactores
5 = mimero de controles (incluyendo la posicién de’apagado)
La funcién objetivo para este modelo es BEcy Ry . Las restricciones estén dadas en los tres ten-
glones que siguen a la funcidn objetivo. Los pardinctras son ci, py yT. Pata el caso de Mon-
santo, el modelo tiene més de 1000 variables de decisién Rig (esto es, 75 >1000). Con su
implantaci6n se logré un ahorro anual de cerca de $2 millones de dlares.
La oficina responsable del control del agua y los servicios pablicos del gobierno de Ho-
Janda, cl Rijkswaterstaat, concesioné un importante estudio de IO! para guiarlo en el desa~
rollo de una nueva politica de administraci6n del agua. La nueva politica ahorré cientos de
millones de délares en gastos de inversién y redujo el dao agricola en alrededor de $15 mi-
Jones de délares anuales, al mismo tiempo que disminuyé la contaminacién térmica y la de-~
bida a las algas. En lugar de formular wn modelo matemético, se desarrolld un sistema
integrado y comprensible de 150 modelos! Mas ain, para algunos de los modelos, se desatro-
Maron versiones sencillas y complejas, La versién sencilla se usd para adquirie una visidn bési-
ca que incluyd c] andlisis de trueques, La version compleja s¢ usd después en las corridas
finales del andlisis o cuando se deseaba mayor exactitud o mds deralle en los resultados. Bles-
tudio completa de 10 involucré directamente a mas de 125 personas-aiio de esfurerzo (mas
de-un tercio de ellas en la recoleccién de datos), cred varias docenas de programas de compu-
tadora y estructuré una enorme cantidad de datos.
2B. F, Gouller yel equipo PAWN: “Planning the Netherlands! Water Resoutees”, Zoterfters, 15(2): 3-33, ence
ro febrero, 1985, Vea en especial pp. 7-1814
2.3
2. Panorama del enfoque de modelado en investigacién de operaciones
OBTENCION DE UNA SOLUCION A PARTIR DEL MODELO
Una vez formulado el modelo matemético para el problema bajo estudio, la siguiente etapa
72 ) para derivar una solucién al problema a partir de este modelo, Puede pensarse que ésta
debe ser Ia parte principal del estudio pero, en realidad, en la mayoria de los casos no le ez, De
hhecho, a veces ésta es una ctapa relativamente sencilla, en la que se aplica uno de los algorit-
mos (Procedimientositrativos de solucidn) de investigacién de operaciones en na compu
tadora, empleando uno de los paquetes de software disponibles. Para el investigador de
Gberaciones experimentado, encontrar a solucién es la parte divertida, mientras quel verda.
dero trabajo se encuentra en las ctapas anteriores y en las subsccuentes, incluyencd el andl
sis de sensibilidad o andlisis posdprimo, que se verd més adelante en esta seccion.
Como la mayor parte de este libro esté dedicada ala obtencidn de soluciones pata los is-
tintos tipos de modelos matemiéticos, en este momento no's necesarioaclararnatte al respec:
to. Sin embargo, sf se requicre presentar la naturaleza de estas soluciones
‘Un tema comiin en 1O es la bisqueda de una solucién éptima, es deci, la mejor, Sin
duds, como aqui se presenta, se han desarrollado muchos procedimientos para encontrarin
En cierto tipo de problemas, pero es necesario reconocer que estas soluciones son 6ptimas
s6lo respecto al modelo que se usa. Como cl modelo necesatiamente es una idealizacign mas
uc na Fepresentacidn exacta del problema real, no existe una garantia utOpica de que la so-
{hcion Sptima del modelo resulte se a mejor solucién posible que pueda implantarce paral
problema real. Simplemente existen demasiados impondcrables e incertidumbres asoiados
conlos problemas reales; pero si el modelo esté bien formulado y verificado, lasolucin debe
render a una buena aproximacién de un curso de acci6n ideal en la realidad, Por esto, més que
cnftascarse en cxigir lo imposible, la prueba del éxito de un estudio de IO debe ser propor-
ciona ono unamejor guia en las decisiones que la que se puede obtener por otros medias,
Eleminente cientifico de la administracién y premio Nobel de economia, Herbert Si-
mon, introdujo el eoncepro de que en la préctica es mucho més frecuente satisfizar que opti-
‘pizar. Al inventar el término sariffzar como una combinaviGn de stigfaceryoptimizar: Sinvon
describe la rendencia de los administradores a buscar una solucién que sea “le suficientemen
tebuena” parael problema quese tiene, En lugar de intentar desarrellar una medida global de
éficiencia para conciliar de manera 6ptima los conflctos entre os diferentes objetivex desea,
bles (incluyendo los criterias bien establecidos para juzgar cl desempeno de los distintos seg:
reece i organizacién), se puede usar un enfoque més pragmdtico. Las metas x pueden
establecer de manera que marquen los niveles minimos satisfactorios deeficiencia en ae dif.
rentesdreas, basindose quizd en niveles de desempefio anteriores 0 en los logros de la compe-
eacia Si se encuentra una solucién que permita que todas estas metas se cumplan, es posible
ue se adopte sin mis requisitos, Esta es la naturaleza de satifizar,
{a disincién entre oprimizar y“satisfizar" refieja la diferencia entre a teora y la realidad,
diferencia que con frecuencia se encuentra al tratar de implantar esa teoria en la prictica, En
palabras de uno de los lideresingleses dela investigacidn de operaciones, Samu Eilon, “op-
timizar ¢s la ciencia de lo absoluto; sarigfizar es el arte de lo factible”|
1.08 equipos de TO intentan incorporar al proceso de toma de decisiones lo mis posible
Ge la “ciencia de lo absoluto”. Sin embargo, un equipo que trabaja con éxito, lo hace treano,
‘Eilon, Samuel, “Goals and Constraints in Decision-making”, Operational Retearch Quarterly, 23: 3-15, 1972; ica
daa en la conferenca anual de 1971 de a Canadian Operatiotal Research Society
ee ee ee2.3. Obtencién de una solucién a partir del modelo 1s
ciendo la necesidad més importante del tomador de decisiones de obtener una guia satisfac-
roria para sus acciones en un periodo razonable. Por tanto, la meta de un estudio de
investigacién de operaciones debe ser llevar a cabo el estudio de manera éptima, indepen-
dientemente de si implica ono encontrar una solucién éptima para el modelo. Entonces,ade-
mas de buscar la ciencia de lo absoluto, el equipo debe tomar en cuenta el costo del estudio y
las desventajas de retrasar su terminacién, y después intentar maximizar los beneficios netos
gue resulten de dicho estudio. Al reconocer este concepto, los equipos de investigacién de
operaciones en ocasiones utilizan sdlo procedimientos heuristicos (es decir, procedimien-
tos de disefio intuitivo que no garantizan una solucién éptima) para encontrar una buena so-
lucién subéptima, Esto ocurre con més frecuencia en los casos en que el tiempo 0 el costo
gue se requiere para encontrar una solucién éptima para un modelo adecuado del problema
son muy grandes. En afios recientes, se han logrado grandes progresos en el desarrollo de
procedimientos heuristicos eficientes (que incluyen los lamados metaheurfsticos), con lo
que su uso es cada vez més amplio.
Hasta aqui, ha quedado implicito que un estudio de investigaci6n de operaciones busca
sdlo una solucién, que puede o no requerirse que sea Optima, De hecho, esto casi nunca es lo
que se busca, Una solucién éptima para el modelo original puede estar muy alejada del ideal
para el problema real, de manera que ¢s necesario hacer un anilisis adicional. El andlisis
posdptimo (andlisis que s¢ lleva a cabo después de encontrar una solucién éptima) constitu-
Ye una parte muy importante de la mayoria de los estudios de investigacién de operaciones.
Este andlisis también se conoce como andlisis de qué pasa si puesto que involucra algunas
preguntas acerca de qué pasaria con la solucién dptimasi se hubieran hecho suposiciones dife-
rentes sobre las condiciones fituras. Con frecuencia, los administradores que tomatén las uil-
timas decisiones son quienes hacen estas preguntas y no el equipo de 10.
Con el advenimiento de los poderosos paquetes de software de hojas de cileulo, en Ia ac-
tuélidad el papel central del andlisis posdptimo suele tenerlo una hoja de cdleulo. Una de sus
grandes ventajas es la facilidad con que cualquier persona puede usarlas, incluidos los admi-
nistradores, para ver qué pasa con una solucién éptima cuando se hacen cambios en el mode-
Jo, Este proceso de experimentar con cambios en el modelo también puede ser util para llegar
a. comprender el comportamiento del modelo y adquirir mayor confianza en su validez.
nn cierto modo, el analisis posdptimo implica llevar a cabo un andlisis de sensibilidad
para determinar qué pardmetros del modelo son criticos (los “pardmetros sensibles”) al de-
terminar la solucién. Pina definicién comin de parsimetros sensibles (que se usard aqui) es
Para un modelo maremitico con valores especificos para todos sus pardmetros, los pardmetros
sensibles del modelo son aquellos cuyos valores no se pueden cambiar sin que la solucidn épti-
‘ma cambie.
Esimportante identificar los pardmetros sensibles, porque determinan aquellos cuyos valores
deben asignarse con mas cuidado para evitar distorsiones en los resultados del modelo.
Por lo general, el valor de un pardmetro es una estimacién de alguna cantidad (por ejem-
plo, la ganancia unitaria) cuyo valor exacto se conocer s6lo después de poner en préctica la
solucién. Por lo tanto, despues de identificar los par4metros sensibles, se deben realizar esti-
maciones més cercanas y cuidadosas de cada uno de ellos, o por lo menos del intervalo de va-
Jotes posibles. Después se busca una solucién que sea buena para todas las combinaciones de
los valores posibles de los pardmetros sensibles.
Sila solucién sc implanta sobre la marcha, cualquier cambio posterior en el valor de un
pardmetro sensible advierte de inmediato la necesidad de cambiar la solucién,16
2 Panorama del enfoque de modelado en investigacién de operaciones
2.4
En algunos casos, ciertos parémetros del modelo representan politicas de decisién (como
asignacién de recursos). Si es asf, con frecuencia existe alguna flexibilidad sobre los valores
daclos a estos pardmetros. Tal vez algunos se puedan aumentar si otros se disminuyen. Eland-
lisis poséptimo incluye la investigaciGn de estos trueqnes.
Junto con ka ctapa de estudio que se presenta en la siguiente seccidn (prueba del modelo),
cl anilisis poséprimo incluye la obrencién de un conjunto de soluciones que comprende una
serie de aproximaciones, cada vez mejores, al curso de accién ideal. Asi, las debilidades apa-
rentes de la solucién inicial se usan para sugerir mejoras al modelo, a sus datos de entrada y
quizé al procedimicnto de solucién. Se obtiene entonces una nueva solucién, y el ciclose repi-
te. Este proceso sigue hasta que las mejoras a soluciones sucesivas sean demasiado pequefias
para justificarsu continuaci6n. Aun entonces, pueden presentarse a la gerencia varias solucio-
res posibles (quizd soluciones que son dptimas para una de varias versiones plausibbles del
modelo y sus datos de entrada) para hacer ka selecci6n final. Comose sugitié en la seccion 2.1,
esta presentacién de soluciones alternativas se lleva a cabo cuando la elecci6n final entre ellas
debe basarse en consideraciones que es mejor dejar al juicio de la administracién.
Ejemplo. — Considere de nuevo el estudio de IO para el Rijkswaterstaat sobre la polftica
nacional de administracién de agua en Holanda, que se introdujo al final de la seccidn ante~
rior. Este estudio no concluyé con la recomendaci6n de una sola solucién, Més bien, se iden-
tificaron, analizaron y compararon varias alternativas atractivas. La cleccién final se dejé al
proceso politico del gobierno de Holanda que culminé con la aprobacién del Parlamento. El
‘andlisis de sensibilidad tavo un papel importante en este estudio. Por cjemplo, cicrtos pardme-
tos de los modelos representaron estandares ecoldgicos. El anilisis de sensibilidad incluyd la
evaluacién del impacto en los problemas de agua silos valores de estos parimetros se cambia-
ran de los estandares ecoldgicos acruales a otros valores razonables, Se us6 también pata eva-
Iuar el impacto de cambios en las suposiciones de los modelos, por ejemplo, la suposicién
sobre el efecto de tratados internacionales futuros sobre la contaminacién que pudiera llegar
a Holanda, También se analizaron varios escenarios (como afios secos o htimedos en extre-
mo), asignando las probabilidades adecuadas.
PRUEBA DEL MODELO
El desarrollo de un modelo matemitico grande es anélogo en algunos aspectos al desarrollo
de un programa de computadora grande, Cuando se completa la primera versi6n, ¢s inevita-
ble que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar
de encontrar y corregir tantos problemas como sea posible. Con el tiempo, después de una
larga serie de programas mejorados, el programador ( equipo de programacién) conclu-
ye que el actual proporciona, en general, resultados razonablemente validos. Aunque sin
duda quedardn algunas fallas ocultas en el programa (y quiz nunca se detecten), se habrén
climinado suficientes problemas importantes como para que sea confiable utilizarlo.
‘De manera similar, es inevitable que la primera versi6n de un modelo matemético grande
tenga muchas fallas. Sin duda, algunos factores o interrelaciones relevantes no se incorpora-
ronal modelo y algunos pardmetros no se estimaron correctamente. Esto no se puede cludir
dada la dificultad en la comunicacién y la comprensién de todos los aspectos y sutilezas de un24 Prueba del modelo 7
problema operacional complejo, as{ como la dificultad de recolectar datos confiables. Por lo
tanto, antes de usar el modelo debe probarse de manera exhaustiva para intentar identificar y
corregie todas las fallas que sc pueda. Con el tiempo, después de una larga serie de modelos
mejorados, el equipo de investigacion de operaciones concluye que ¢l modelo actual produce
resultados razonablemente vilidos. Aunque sin duda quedarén algunos problemas menores
ocultos en el modelo (y quiz nunca se detecten), las fallas importantes se habran eliminado
de manera que ahora es confiable usar el modelo,
Este proceso de prucba y mejoramiento de un modelo para inerementar su validea.se ¢o-
noce com validacién del modelo.
Es dificil describir emo se lleva a cabo la validacién del modelo porque el proceso de-
pende en gran parte del problema bajo estudio y del modelo usado. Sin embargo, se harénal-
gunos comentarios generales y después se darin algunos ejemplos (vea més detalles sobre
este tema en la referencia 2)
Debido a que el equipo de IO puede pasar meses en las actividades de desarrollo de todas
las piezas detalladas del modelo, es sencillo “no ver el basque por buscar los érboles”, Enton-
ces, después de completar los detalles (“los arboles”) de la version inicial del modclo, una bue-
na manera de comenzar las pruebas es observarlo en forma global (“el bosque”) para verificar
Jos errores u omisiones obvias. El grupo que hace esta revisi6n debe, de preferencia, incluir
porlo menos una persona que no haya participado en la formulacién. Alexaminar denuevo
aformulacién del problema y compatarla con el modelo pueden descubrirse algunos errores.
“También es titil asegurarse de que todas las expresiones mateméticas sean consistentes en las di-
‘smensiones de las unidades que emplean. Ademds, puede obtenerse un mejor conocimiento de
Ja validez del modelo sie varfan los valores de los pardmetros de entrada y/o de las variables
dedecisién, y se comprueba que los resultados del modelo se comportan de una manera facti-
ble. A menudo esto es revelador, en especial cuando se asignan a los parémetros o variables
valores extremos cercanos a sus méximos o a sus minimos.
Un enfoque més sistemético para la prueba del modelo es emplear una prueba retros-
pectiva, Cuando cs aplicable, esta prucha utiliza datos histéricos y reconstraye el pasado para
decerminar si el modelo y la solucién resultante hubieran tenido un buen desempefio, de ha-
berse usado, La comparacién de la efectividad de este desempefio hipotético con lo que en
realidad ocurrié indica si el uso del modelo tiende a dar mejoras significativas sobre la préct
caactual. Puede también indicar éreas en las que el modelo tiene fallas y requiere modificaci
res. Lo que ¢s més, al emplear las alternativas de solucidn y estimar sus desempefios
histéricos hipotéticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice
los efectos relativos de los diferentes cursos de accién.
Por otra parte, la prueba retrospectiva tiene la desventaja de que usa los mismos datos
gue sirvieron para formular cl modelo. Envonces, fa pregunta crucial es siel pasado en reali-
dad representa cl futuro, $i no ¢s asi, el modelo puede tener tin desempefio distinto en el futu-
ro del que hubiera tenido en el pasado,
Para vender esta desventaja de la prueba retrospectiva, a veces es iil continuar con las cir~
cunstancias actuales durante una temporada, Esto proporcionarg nuevos datos con los que
no se contaba cuando se construyé el modelo. Estos datos se pueden emplear de la manera
descrite para evaluar el modelo.
"Es importante documentar el proceso usado para las pruebas de a validacién del modelo.
Esto ayuda a aumentar la confianza de los usuarios subsecuentes en cl modelo. Més atin sien
el futuro surgen preocupaciones sobre el modelo, esta documentaci6n ayudard a diagnosticar
en dénde pueden encontrarse los problemas.EEE
25
2 Panorama del enfoque de modelado en investigacién de operaciones
Fiemplos. " Considere una vez misel estudio de investigacion de operaciones para el Rijk«
Saterstaatsobre la politica deadministraciOn del agua que se presenté en las secciones 2.2
2.8. El proceso de prueba del modelo en este caso const6 de tres grandes partes. Primero, el
equipo de 10 verificé el comportamiento general de los modelos con la comprobacidn de si
los resultados de cada uno de ellos cambiaban en forma razonable al cambiar los valores de los
Pardmetros, Segundo, s hizo una prueba restrospectiva. Tercero, personas totalmente ajenas
al proyecto, que inclufan expercos holandeses, levaron a cabo una revisién técnica cuidadoea
de los modelos, la metodologia y los resultados. Este proceso llevé al reconocimiento de vas
ios aspectos importantes y a mejoras en los modelos.
Zambién se obtuve el conocimiento sobre muchos otros aspectos durante la exapa de va-
lidacién del estudio de 1O para la Citgo Petroleum Corp., presentado al final de la seccion
2.1. Eneste caso, el modelo de las ‘operaciones en la refineria se probd con la recole: nde
datos de ls entradas ysalidas de la misma durante varios meses; sc saron estos datos para
‘Pers la entrada al modelo y después se compararon los resultados del modelo con la pro-
luccién real de la refiner. Este proceso de calibrary recalibrat cl modelo fue largo, pero en
Ultima instancia condujo al uso rutinario del modelo para proporcionar la informacion para
decisiones criticas. Como se mencioné en la seccién 2.1, la validacion y correccién de lox da.
tos de entrada para cl modelo también tuvo un papel importante en este estudio,
EB’ siguiente ejemplo se refiere aun estudio de 1O para IBM? que se tealizd con el objeto
de integrar sured nacional de inventarios de refacciones para mejorar cl servicioa los clientes,
al mismo tiempo que reducir el valor de los inventarios de IBM en més de $250 millones de
dolares y ahorrar otros $20 millones de délares anuales mediante el mejoramiento de la ef
clencia operacional. Un aspecto en particular interesante de la etapa de validacién del modelo
gneeste estudio fue la manera en que se incorporaron al proceso de prueba los usuarios ita,
del sistema de inventarios. Debido a que estos usuarios faturas (los administradores de IBM.
Sn las dreas funcionales responsables de la implantacién del sistema de inventarios) chidaban
Gel sistema que se desarrollaba, se asignaron representantes de la empresa aun equipo de usa.
‘ios que tendcia a funcién de asesorar al equipo de IO. Una vez desarrollada la version prel-
minar del nuevo sistema (basada en un sistema de inventarios de multiniveles) se leva aeabo
tuna prucba prelininar de implantacién. La extensa retroalimentacién por parte del equipo de
usuarios llevé a mejoras importantes en el sistema propuesto,
PREPARACION PARA APLICAR EL MODELO.
£Qué pasa después de completar la etapa de pruebas y desarrollar un modelo aceptable? Si
modelo ha de usarse varias veces, el siguiente paso es instalar un sistema bien documentado
Para aplicar el modelo segxin lo establecido por la administraci6n, Este sistema incluirdel mo.
elo yel procedimiento de solucion (que inchaye el andisis posdptimo) y os procedimientos
Sperativos para su implantacién, Entonces, aun cuando cambic el personal, el sistema pucde
consultarse periédicamente para proporcionat una solucién numérica especitica.