1. INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES.

1.1. HISTORIA DE LA INVESTIGACIÓN DE OPERACIONES.

La primera actividad de Investigación de Operaciones se dio durante la Segunda Guerra Mundial en Gran Bretaña, donde la Administración Militar llamó a un grupo de científicos de distintas áreas del saber para que estudiaran los problemas tácticos y estratégicos asociados a la defensa del país.

El nombre de Investigación de Operaciones fue dado aparentemente porque el equipo estaba llevando a cabo la actividad de investigar operaciones (militares).

Motivados por los resultados alentadores obtenidos por los equipos británicos, los administradores militares de Estados Unidos comenzaron a realizar investigaciones similares. Para eso reunieron a un grupo selecto de especialistas, los cuales empezaron a tener buenos resultados y en sus estudios incluyeron problemas logísticos complejos, la planeación de minas en el mar y la utilización efectiva del equipo electrónico.

Al término de la guerra y atraídos por los buenos resultados obtenidos por los estrategas militares, los administradores industriales empezaron a aplicar las herramientas de la Investigación de Operaciones a la resolución de sus problemas que empezaron a originarse debido al crecimiento del tamaño y la complejidad de las industrias.

Aunque se ha acreditado a Gran Bretaña la iniciación de la Investigación de Operaciones como una nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo rápidamente creciente. La primera técnica matemática ampliamente aceptada en el medio de Investigación de Operaciones fue el Método Simplex de Programación Lineal, desarrollado en 1947 por el matemático norteamericano George B. Dantzig. Desde entonces las nuevas técnicas se han desarrollado gracias al esfuerzo y cooperación de las personas interesadas tanto en el área académica como en el área industrial.

Un segundo factor en el progreso impresionante de la Investigación de Operaciones fue el desarrollo de la computadora digital, que con sus tremendas capacidades de velocidad de cómputo y de almacenamiento y recuperación de información, permitieron al tomador de decisiones rapidez y precisión.

Si no hubiera sido por la computadora digital, la Investigación de Operaciones con sus grandes problemas de computación no hubiera crecido al nivel de hoy en día.

Actualmente la Investigación de Operaciones se está aplicando en muchas actividades. Estas actividades han ido más allá de las aplicaciones militares e industriales, para incluir hospitales, instituciones financieras, bibliotecas, planeación urbana, sistemas de transporte y sistemas de comercialización.

1.2. CARACTERÍSTICAS DE LA INVESTIGACIÓN DE OPERACIONES.

Es muy notable el rápido crecimiento del tamaño y la complejidad de las organizaciones (empresas) humanas que se ha dado en estos últimos tiempos. Tal tamaño y complejidad nos hace pensar que una sola decisión equivocada puede repercutir grandemente en los intereses y objetivos de la organización y en ocasiones pueden pasar años para rectificar tal error. También el ritmo de la empresa de hoy implica que las DECISIONES se tomen más rápidamente que nunca, pues el hecho de posponer la acción puede dar una decisiva ventaja al contrario en este mundo de la competencia.

La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la búsqueda de una herramienta o método que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a los objetivos que persigue. Tal herramienta recibió el nombre de Investigación de Operaciones.

De la definición de Investigación de Operaciones, como veremos en el siguiente apartado, podemos resaltar los siguientes términos: organización, sistema, grupos interdisciplinarios, objetivo y metodología científica.

Una organización puede entenderse como un sistema, en el cual existen componentes; canales que comunican tales componentes e información que fluye por dichos canales. En todo sistema las componentes interactúan unas con otras y tales interacciones pueden ser controlables e incontrolables. En

un sistema grande, las componentes se relacionan de muchas maneras, pero no todas son importantes, o mejor dicho, no todas las interacciones tienen efectos importantes en las componentes del sistema.

Por lo tanto es necesario que exista un procedimiento sistemático que identifique a quienes toman decisiones y a las interacciones que tengan importancia para los objetivos de la organización o sistema. Uno de esos procedimientos es precisamente la Investigación de Operaciones.

Una estructura por la que no fluye información, no es dinámica, es decir, no podemos considerarla como un sistema. Por lo tanto podemos decir que la información es lo que da “vida” a las estructuras u organizaciones humanas.

Los objetivos de toda organización serán siempre alcanzar el liderato en su rama, controlando la eficiencia y efectividad de todas sus componentes por medio de métodos que permitan encontrar las relaciones óptimas que mejor operen el sistema, dado un objetivo específico.

Ante el tremendo avance que se ha dado en casi todas las ciencias en las últimas décadas, ya no es factible querer saber un poco de todo, sino más bien especializarse en alguna rama de la ciencia. Los problemas que se presentan en las organizaciones no fácilmente se pueden resolver por un sólo especialista. Por el contrario son problemas multidisciplinarios, cuyo análisis y solución requieren de la participación de varios especialistas. Estos grupos interdisciplinarios necesariamente requieren de un lenguaje común para poder entenderse y comunicarse, donde la Investigación de Operaciones viene a ser ese puente de comunicación.

El enfoque de la Investigación de Operaciones es el mismo del método científico. En particular, el proceso comienza por la observación cuidadosa y la formulación del problema y sigue con la construcción de un modelo científico (por lo general matemático) que intenta abstraer la esencia del problema real. En este punto se propone la hipótesis de que el modelo es una representación lo suficientemente precisa de las características esenciales de la situación como para que las conclusiones (soluciones) obtenidas sean válidas también para el problema real. Esta hipótesis se verifica y modifica mediante las pruebas adecuadas. Entonces, en cierto modo, la Investigación de Operaciones incluye la investigación científica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe más que esto. En particular, la Investigación de Operaciones se ocupa también de la administración práctica de la organización. Así, para tener éxito, deberá también proporcionar conclusiones positivas y claras que pueda usar el tomador de decisiones cuando las necesite.

La contribución del enfoque de Investigación de Operaciones proviene principalmente de:

1. La estructuración de una situación de la vida real como un modelo matemático, logrando una abstracción de los elementos esenciales para que pueda buscarse una solución que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo.

2. El análisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemáticos para obtenerlas.

3. El desarrollo de una solución, incluyendo la teoría matemática si es necesario, que lleva al valor óptimo de la medida de lo que se espera del sistema (o quizá que compare los cursos de acción opcionales evaluando esta medida para cada uno).

1.3. DEFINICIÓN.

Investigación de Operaciones o Investigación Operacional. Se puede definir de la siguiente manera: “La Investigación de Operaciones es la aplicación por grupos interdisciplinarios del método científico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organización”.

1.4. METODOLOGÍA DE LA INVESTIGACIÓN DE OPERACIONES.

El proceso de la Investigación de Operaciones comprende las siguientes fases:

1. Formulación y definición del problema.

2. Construcción del modelo.3. Solución del modelo.4. Validación del modelo.5. Implementación de resultados.

Demos una explicación de cada una de las fases:

1. Formulación y definición del problema. En esta fase del proceso se necesita: una descripción de los objetivos del sistema, es decir, qué se desea optimizar; identificar las variables implicadas, ya sean controlables o no; determinar las restricciones del sistema. También hay que tener en cuenta las alternativas posibles de decisión y las restricciones para producir una solución adecuada.

2. Construcción del modelo. En esta fase, el investigador de operaciones debe decidir el modelo a utilizar para representar el sistema. Debe ser un modelo tal que relacione a las variables de decisión con los parámetros y restricciones del sistema. Los parámetros (o cantidades conocidas) se pueden obtener ya sea a partir de datos pasados o ser estimados por medio de algún método estadístico. Es recomendable determinar si el modelo es probabilístico o determinístico. El modelo puede ser matemático, de simulación o heurístico, dependiendo de la complejidad de los cálculos matemáticos que se requieran.

3. Solución del modelo. Una vez que se tiene el modelo, se procede a derivar una solución matemática empleando las diversas técnicas y métodos matemáticos para resolver problemas y ecuaciones. Debemos tener en cuenta que las soluciones que se obtienen en este punto del proceso, son matemáticas y debemos interpretarlas en el mundo real. Además, para la solución del modelo, se deben realizar análisis de sensibilidad, es decir, ver cómo se comporta el modelo a cambios en las especificaciones y parámetros del sistema. Esto se hace, debido a que los parámetros no necesariamente son precisos y las restricciones pueden estar equivocadas.

4. Validación del modelo. La validación de un modelo requiere que se determine si dicho modelo puede predecir con certeza el comportamiento del sistema. Un método común para probar la validez del modelo, es someterlo a datos pasados disponibles del sistema actual y observar si reproduce las situaciones pasadas del sistema. Pero como no hay seguridad de que el comportamiento futuro del sistema continúe replicando el comportamiento pasado, entonces siempre debemos estar atentos de cambios posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo.

5. Implementación de resultados. Una vez que hayamos obtenido la solución o soluciones del modelo, el siguiente y último paso del proceso es interpretar esos resultados y dar conclusiones y cursos de acción para la optimización del sistema. Si el modelo utilizado puede servir a otro problema, es necesario revisar, documentar y actualizar el modelo para sus nuevas aplicaciones.

1.5. ESTRUCTURA DE LOS MODELOS EMPLEADOS EN LA INVESTIGACIÓN DE OPERACIONES.

El enfoque de la Investigación de Operaciones es el modelaje. Un modelo es una herramienta que nos sirve para lograr una visión bien estructurada de la realidad. Así, el propósito del modelo es proporcionar un medio para analizar el comportamiento de las componentes de un sistema con el fin de optimizar su desempeño. La ventaja que tiene el sacar un modelo que represente una situación real, es que nos permite analizar tal situación sin interferir en la operación que se realiza, ya que el modelo es como si fuera “un espejo” de lo que ocurre.

Para aumentar la abstracción del mundo real, los modelos se clasifican como 1) icónicos, 2) análogos, 3) simbólicos.

Los modelos icónicos son la representación física, a escala reducida o aumentada de un sistema real.

Los modelos análogos esencialmente requieren la sustitución de una propiedad por otra con el fin de permitir la manipulación del modelo. Después de resolver el problema, la solución se reinterpreta de acuerdo al sistema original.

Los modelos más importantes para la investigación de operaciones, son los modelos simbólicos o matemáticos, que emplean un conjunto de símbolos y funciones para representar las variables de decisión y sus relaciones para describir el comportamiento del sistema. El uso de las matemáticas para representar el modelo, el cual es una representación aproximada de la realidad, nos permite aprovechar las computadoras de alta velocidad y técnicas de solución con matemáticas avanzadas.

Un modelo matemático comprende principalmente tres conjuntos básicos de elementos. Estos son: 1) variables y parámetros de decisión, 2) restricciones y 3) función objetivo.

1. Variables y parámetros de decisión. Las variables de decisión son las incógnitas (o decisiones) que deben determinarse resolviendo el modelo. Los parámetros son los valores conocidos que relacionan las variables de decisión con las restricciones y función objetivo. Los parámetros del modelo pueden ser determinísticos o probabilísticos.

2. Restricciones. Para tener en cuenta las limitaciones tecnológicas, económicas y otras del sistema, el modelo debe incluir restricciones (implícitas o explícitas) que restrinjan las variables de decisión a un rango de valores factibles.

3. Función objetivo. La función objetivo define la medida de efectividad del sistema como una función matemática de las variables de decisión.

La solución óptima será aquella que produzca el mejor valor de la función objetivo, sujeta a las restricciones.

1.6. CONCEPTO DE OPTIMIZACIÓN.

Una característica adicional, que se mencionó como de pasada, es que la Investigación de Operaciones intenta encontrar la mejor solución, o la solución óptima, al problema bajo consideración. En lugar de contentarse con sólo mejorar el estado de las cosas, la meta es identificar el mejor curso de acción posible. Aún cuando debe interpretarse con todo cuidado, esta “búsqueda de la optimalidad” es un aspecto muy importante dentro de la Investigación de Operaciones.

1.7 ÁREAS DE APLICACIÓN DE LA INVESTIGACIÓN DE OPERACIONES.

Como su nombre lo dice, Investigación de Operaciones significa “hacer investigación sobre las operaciones”. Esto dice algo del enfoque como del área de aplicación. Entonces, la Investigación de Operaciones se aplica a problemas que se refieren a la conducción y coordinación de operaciones o actividades dentro de una organización. La naturaleza de la organización es esencialmente inmaterial y, de hecho, la Investigación de Operaciones se ha aplicado en los negocios, la industria, la milicia, el gobierno, los hospitales, etc. Así, la gama de aplicaciones es extraordinariamente amplia. Casi todas las organizaciones más grandes del mundo (alrededor de una docena) y una buena proporción de las industrias más pequeñas cuentan con grupos bien establecidos de Investigación de Operaciones. Muchas industrias, incluyendo la aérea y de proyectiles, la automotriz, la de comunicaciones, computación, energía eléctrica, electrónica, alimenticia, metalúrgica, minera, del papel, del petróleo y del transporte, han empleado la Investigación de Operaciones. Las instituciones financieras, gubernamentales y de salud están incluyendo cada vez más estas técnicas.

Para ser más específicos, se consideran algunos problemas que se han resuelto mediante algunas técnicas de Investigación de Operaciones. La programación lineal se ha usado con éxito en la solución de problemas referentes a la asignación de personal, la mezcla de materiales, la distribución y el transporte y las carteras de inversión. La programación dinámica se ha aplicado con buenos resultados en áreas tales como la planeación de los gastos de comercialización, la estrategia de ventas y la planeación de la producción. La teoría de colas ha tenido aplicaciones en la solución de problemas referentes al congestionamiento del tráfico, al servicio de máquinas sujetas a descomposturas, a la determinación del nivel de la mano de obra, a la programación del tráfico aéreo, al diseño de presas, a la programación de la producción y a la administración de hospitales. Otras técnicas de Investigación de Operaciones, como la teoría de inventarios, la teoría de juegos y la simulación, han tenido exitosas aplicaciones en una gran variedad de contextos.

ORÍGENES DE LA INVESTIGACIÓN DE OPERACIONES

La toma de decisiones es un proceso que se inicia cuando una persona observa un problema y determina que es necesario resolverlo procediendo a definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a generar alternativas de solución y evaluarlas hasta seleccionar la que le parece mejor, este proceso puede se cualitativo o cuantitativo.

El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades necesarias en este enfoque son inherentes en la persona y aumentan con la práctica. En muchas ocasiones este proceso basta para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de

herramientas matemáticas que le permitan a la persona mejorar su efectividad en la toma de decisiones. Este enfoque es útil cuando no se tiene experiencia con problemas similares o cuando el problema es tan complejo o importante que requiere de un análisis exhaustivo para tener mayor posibilidad de elegir la mejor solución.

La investigación de operaciones proporciona a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro.

En el ambiente socioeconómico actual altamente competitivo y complejo, los métodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que requieren de soluciones creativas y prácticas apoyadas en una base cuantitativa sólida.

En organizaciones grandes se hace necesario que el tomador de decisiones tenga un conocimiento básico de las herramientas cuantitativas que utilizan los especialistas para poder trabajar en forma estrecha con ellos y ser receptivos a las soluciones y recomendaciones que se le presenten.

En organizaciones pequeñas puede darse que el tomador de decisiones domine las herramientas cuantitativas y él mismo las aplique para apoyarse en ellas y así tomar sus decisiones.

Desde al advenimiento de la Revolución Industrial, el mundo ha sido testigo de un crecimiento sin precedentes en el tamaño y la complejidad de las organizaciones. Los pequeños talleres artesanales se convirtieron en las corporaciones actuales de miles de millones de pesos. Una parte integral de este cambio revolucionario fue el gran aumento en la división del trabajo y en la separación de las responsabilidades administrativas en estas organizaciones. Los resultados han sido espectaculares. Sin embargo, junto con los beneficios, el aumento en el grado de especialización creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de muchas de las componentes de una organización a convertirse en imperios relativamente autónomos, con sus propias metas y sistemas de valores, perdiendo con esto la visión de la forma en que encajan sus actividades y objetivos con los de toda la organización. Lo que es mejor para una componente, puede ir en detrimento de otra, de manera que pueden terminar trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la complejidad y la especialización crecen, se vuelve más difícil asignar los recursos disponibles a las diferentes actividades de la manera más eficaz para la organización 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 investigación de operaciones (IO).

Las raíces de la investigación de operaciones se remontan a muchas décadas, cuando se hicieron los primeros intentos para emplear el método científico en la administración de una empresa. Sin embargo, el inicio de la actividad llamada investigación de operaciones, casi siempre se atribuye a los servicios militares prestados a principios de la segunda guerra mundial. Debido a los esfuerzos bélicos, existía una necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada operación, en la forma más efectiva. Por esto, las administraciones militares americana e inglesa hicieron un llamado a un gran número de científicos para que aplicaran el método científico a éste y a otros problemas estratégicos y tácticos. De hecho, se les pidió que hicieran investigación sobre operaciones (militares). Estos equipos de científicos fueron los primeros equipos de IO. Con el desarrollo de métodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate aéreo inglés. A través de sus investigaciones para mejorar el manejo de las operaciones antisubmarinas y de protección, jugaron también un papel importante en la victoria de la batalla del Atlántico Norte. Esfuerzos similares fueron de gran ayuda en a isla de campaña en el pacífico.

Al terminar la guerra, el éxito de la investigación de operaciones en las actividades bélicas generó un gran interés en sus aplicaciones fuera del campo militar. Como la explosión industrial seguía su curso, los problemas causados por el aumento en la complejidad y especialización dentro de las organizaciones pasaron de nuevo a primer plano. Comenzó a ser evidente para un gran número de personas, incluyendo a los consultores industriales que habían trabajado con o para los equipos de IO durante la guerra, que estos problemas eran básicamente los mismos que los enfrentados por la milicia, pero en un contexto diferente. Cuando comenzó la década de 1950, estos individuos habían introducido el uso de la investigación de operaciones en la industria, los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado con rapidez.

Se pueden identificar por lo menos otros dos factores que jugaron un papel importante en el desarrollo de la investigación de operaciones durante este período. Uno es el gran progreso que ya se había hecho en el mejoramiento de las técnicas disponibles en esta área. Después de la guerra, muchos científicos que

habían participado en los equipos de IO o que tenían información sobre este trabajo, se encontraban motivados a buscar resultados sustanciales en este campo; de esto resultaron avances importantes. Un ejemplo sobresaliente es el método simplex para resolver problemas de programación lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas características de la investigación de operaciones, como programación lineal, programación dinámica, líneas de espera y teoría de inventarios, fueron desarrolladas casi por completo antes del término de la década de 1950.

Un segundo factor que dio ímpetu al desarrollo de este campo fue el advenimiento de la computadoras. Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina, por lo general se requiere un gran número de cálculos. Llevarlos a cabo a mano puede resultar casi imposible. Por lo tanto, el desarrollo de la computadora electrónica digital, con su capacidad para realizar cálculos aritméticos, miles o tal vez millones de veces más rápido que los seres humanos, fue una gran ayuda para la investigación de operaciones. Un avance más tuvo lugar en la década de 1980 con el desarrollo de las computadoras personales cada vez más rápidas, acompañado de buenos paquetes de software para resolver problemas de IO, esto puso las técnicas al alcance de un gran número de personas. Hoy en día, literalmente millones de individuos tiene acceso a estos paquetes. En consecuencia, por rutina, se usa toda una gama e computadoras, desde las grandes hasta las portátiles, para resolver problemas de investigación de operaciones.

NATURALEZA DE LA INVESTIGACIÓN DE OPERACIONES

Como su nombre lo dice, la investigación de operaciones significa "hacer investigación sobre las operaciones". Entonces, la investigación de operaciones se aplica a problemas que se refieren a la conducción y coordinación de operaciones (o actividades) dentro de una organización. La naturaleza de la organización es esencialmente inmaterial y, de hecho, la investigación de operaciones se ha aplicado de manera extensa en áreas tan diversas como la manufactura, el transporte, la constitución, las telecomunicaciones, la planeación financiera, el cuidado de la salud, la milicia y los servicios públicos, por nombrar sólo unas cuantas. Así, la gama de aplicaciones es extraordinariamente amplia.

La parte de investigación en el nombre significa que la investigación de operaciones usa un enfoque similar a la manera en que se lleva a cabo la investigación en los campos científicos establecidos. En gran medida, se usa el método científico para investigar el problema en cuestión. (De hecho, en ocasiones se usa el término ciencias de la administración como sinónimo de investigación de operaciones.) En particular, el proceso comienza por la observación cuidadosa y la formulación del problema incluyendo la recolección de los datos pertinentes. El siguiente paso es la construcción de un modelo científico (por lo general matemático) que intenta abstraer la esencia del problema real. En este punto se propone la hipótesis de que el modelo es una representación lo suficientemente precisa de las características esenciales de la situación como para que las conclusiones (soluciones) obtenidas sean válidas también para el problema real. Después, se llevan a cabo los experimentos adecuados para probar esta hipótesis, modificarla si es necesario y eventualmente verificarla. (Con frecuencia este paso se conoce como validación del modelo.) Entonces, en cierto modo, la investigación e operaciones incluye la investigación científica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe más que esto. En particular, la IO se ocupa también de la administración práctica de la organización. Así, para tener éxito, deberá también proporcionar conclusiones claras que pueda usar el tomador de decisiones cuando las necesite.

Una característica más de la investigación de operaciones es su amplio punto de vista. Como quedó implícito en la sección anterior, la IO adopta un punto de vista organizacional. de esta manera, intenta resolver los conflictos de intereses entre las componentes de la organización de forma que el resultado sea el mejor para la organización completa. Esto no significa que el estudio de cada problema deba considerar en forma explícita todos los aspectos de la organización sino que los objetivos que se buscan deben ser consistentes con los de toda ella.

Una característica adicional es que la investigación de operaciones intenta encontrar una mejor solución, (llamada solución óptima) para el problema bajo consideración. (Decimos una mejor solución y no la mejor solución porque pueden existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de acción posible. Aun cuando debe interpretarse con todo cuidado en términos de las necesidades reales de la administración, esta "búsqueda de la optimidad" es un aspecto importante dentro de la investigación de operaciones.

Todas estas características llevan de una manera casi natural a otra. Es evidente que no puede esperarse que un solo individuo sea un experto en todos lo múltiples aspectos del trabajo de investigación de operaciones o de los problemas que se estudian; se requiere un grupo de individuos con diversos antecedentes y habilidades. Entonces, cuando se va a emprender un estudio de investigación de

operaciones completo de un nuevo problema, por lo general es necesario emplear el empleo de equipo. Este debe incluir individuos con antecedentes firmes en matemáticas, estadística y teoría de probabilidades, al igual que en economía, administración de empresas, ciencias de la computación, ingeniería, ciencias físicas, ciencias del comportamiento y, por supuesto, en las técnicas especiales de investigación de operaciones. El equipo también necesita tener la experiencia y las habilidades necesarias para permitir la consideración adecuada de todas las ramificaciones del problema a través de la organización.

¿QUÉ ES LA INVESTIGACIÓN DE OPERACIONES?

Como toda disciplina en desarrollo, la investigación de operaciones ha ido evolucionando no sólo en sus técnicas y aplicaciones sino en la forma como la conceptualizan los diferentes autores, en la actualidad no existe solamente una definición sino muchas, algunas demasiado generales, otras demasiado engañosas, aquí seleccionamos dos de las mas aceptadas y representativas.

La definición de Churchman, Ackoff y Arnoff: La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del método científico a problemas relacionados con el control de las organizaciones o sistemas (hombre-máquina), a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organización.

De ésta definición se pueden destacar los siguientes conceptos:

1. Una organización es un sistema formado por componentes que se interaccionan, unas de estas interacciones pueden ser controladas y otras no.

2. En un sistema la información es una parte fundamental, ya que entre las componentes fluye información que ocasiona la interacción entre ellas. También dentro de la estructura de los sistemas se encuentran recursos que generan interacciones. Los objetivos de la organización se refieren a la eficacia y eficiencia con que las componentes pueden controlarse, el control es un mecanismo de autocorrección del sistema que permite evaluar los resultados en términos de los objetivos establecidos.

3. La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su análisis y solución se requieren grupos compuestos por especialistas de diferentes áreas del conocimiento que logran comunicarse con un lenguaje común.

4. La investigación de operaciones es la aplicación de la metodología científica a través modelos matemáticos, primero para representar al problema y luego para resolverlo. La definición de la sociedad de investigación de operaciones de la Gran Bretaña es la siguiente:

La investigación de operaciones es el ataque de la ciencia moderna a los complejos problemas que surgen en la dirección y en la administración de grandes sistemas de hombres, máquinas, materiales y dinero, en la industria, en los negocios, en el gobierno y en la defensa. Su actitud diferencial consiste en desarrollar un modelo científico del sistema tal, que incorpore valoraciones de factores como el azar y el riesgo y mediante el cual se predigan y comparen los resultados de decisiones, estrategias o controles alternativos. Su propósito es el de ayudar a la gerencia a determinar científicamente sus políticas y acciones.

En relación a ésta definición deben destacarse los siguientes aspectos:

1. Generalmente se asocian los conceptos de dirección y administración a las empresas de tipo lucrativo, sin embargo, una empresa es un concepto más amplio, es algo que utiliza hombres, máquinas, materiales y dinero con un propósito específico; desde éste punto de vista, se considera como empresa desde una universidad hasta una armadora de automóviles.

2. Para tratar de explicar el comportamiento de un sistema complejo, el científico debe representarlo en términos de los conceptos que maneja, lo hace expresando todos los rasgos principales del sistema por medio de relaciones matemáticas. A esta representación formal se le llama modelo.

3. La esencia de un modelo es que debe ser predictivo, lo cual no significa predecir el futuro, pero si ser capaz de indicar muchas cosas acerca de la forma en que se puede esperar que un sistema opere en una variedad de circunstancias, lo que permite valorar su vulnerabilidad. Si se conocen las debilidades del sistema se pueden tomar cursos de acción agrupados en tres categorías: A) Efectuar cambios que lleven a la empresa o parte de ella a una nueva ruta; B) Realizar un plan de toma de decisiones; C) Instalar estrategias que generen decisiones. Cuando se aplica alguno de estos remedios, la investigación de operaciones nos ayuda a determinar la acción menos vulnerable ante un futuro incierto.

4. El objetivo global de la investigación de operaciones es el de apoyar al tomador de decisiones, en cuanto ayudarlo a cumplir con su función basado en estudios científicamente fundamentados.

ENFOQUE DE LA INVESTIGACIÓN DE OPERACIONES:

La parte innovadora de la IO es sin duda alguna su enfoque modelístico, producto de sus creadores aunado a la presión de supervivencia de la guerra o la sinergia generada al combinarse diferentes disciplinas, una descripción del enfoque es la siguiente. (Ver la figura 11).

1. Se define el sistema real en donde se presenta el problema. Dentro del sistema interactúan normalmente un gran número de variables.

2. Se seleccionan las variables que norman la conducta o el estado actual del sistema, llamadas variables relevantes, con las cuales se define un sistema asumido del sistema real.

3. Se construye un modelo cuantitativo del sistema asumido, identificando y simplificando las relaciones entre las variables relevantes mediante la utilización de funciones matemáticas.

4. Se obtiene la solución al modelo cuantitativo mediante la aplicación de una o más de las técnicas desarrolladas por la IO.

5. Se adapta e imprime la máxima realidad posible a la solución teórica del problema real obtenida en el punto 4, mediante la consideración de factores cualitativos o no cuantificables, los cuales no pudieron incluirse en el modelo. Además se ajusta los detalles finales vía el juicio y la experiencia del tomador de decisiones.

6. Se implanta la solución en el sistema real.

La Investigación de Operaciones obtiene la solución del problema real indirectamente, y no como normalmente se intentaría pasando directamente del problema real a la solución real.

METODOLOGÍA DE LA INVESTIGACION DE OPERACIONES

DEFINICIÓN DEL PROBLEMA Y RECOLECCIÓN DE DATOS

La mayor parte de los problemas prácticos con los que se enfrenta el equipo IO están descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del área bajo estudio con otras áreas de la organización, los diferentes cursos de acción posibles, los límites de tiempo para tomar una decisión, etc. Este proceso de definir el problema es crucial ya que afectará en forma significativa la relevancia de las conclusiones del estudio. ¡Es difícil extraer una respuesta "correcta" a partir de un problema "equivocado"!

Por su naturaleza, la investigación de operaciones se encarga del bienestar de toda la organización, no sólo de algunos de sus componentes. Un estudio de IO busca soluciones óptimas globales y no soluciones subóptimas aunque sean lo mejor para uno de los componente. Entonces, idealmente, los objetivos que se formulan deben coincidir con los de toda la organización. Sin embargo, esto no siempre es conveniente. Muchos problemas interesan nada más a una parte de la organización, de manera que el análisis sería innecesariamente besado si los objetivos fueran muy generales y si se prestara atención especial a todos los efectos secundarios sobre el resto de la organización. En lugar de ello, los objetivos usados en un estudio deben ser tan específicos 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 los altos niveles.

Las condiciones fundamentales para que exista un problema es que se establezca una diferencia entre lo que es (situación actual) y lo que debe ser (situación deseada u objetivo) y además exista cuando menos una forma de eliminar o disminuir esa diferencia. Los componentes de un problema son: a) el tomador de decisiones o ejecutivo; b) los objetivos de la organización; c) el sistema o ambiente en el que se sitúa el problema; d) Los cursos de acción alternativos que se pueden tomar para resolverlo.

Para formular un problema se requiere; a) identificar las componentes y variables controlables y no controlables del sistema; b) identificar los posibles cursos de acción, determinados por las componentes controlables; c) definir el marco de referencia dado por las componentes no controlables; d) definir los

objetivos que se busca alcanzar y clasificarlos por orden de importancia; e) identificar las interpelaciones importantes entre las diferentes partes del sistema y encontrar las restricciones que existen.

FORMULACIÓN DE UN MODELO MATEMÁTICO

Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su análisis. La forma convencional en que la investigación de operaciones realiza esto es construyendo un modelo matemático que represente la esencia del problema. Antes de analizar como formular los modelos de este tipo, se explorará la naturaleza general de los modelos y, en particular, la de los modelos matemáticos.

El modelo matemático está constituido por relaciones matemáticas (ecuaciones y desigualdades) establecidas en términos de variables, que representa la esencia el problema que se pretende solucionar.

Para construir un modelo es necesario primero definir las variables en función de las cuales será establecido. Luego, se procede a determinar matemáticamente cada una de las dos partes que constituyen un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente es una función (ecuación) llamada función objetivo; b) las limitantes del problema llamadas restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y obstáculos para la consecución del objetivo.

Un modelo siempre debe ser menos complejo que el problema real, es una aproximación abstracta de la realidad con consideraciones y simplificaciones que hacen más manejable el problema y permiten evaluar eficientemente las alternativas de solución.

Los modelos matemáticos tienen muchas ventajas sobre una descripción verbal del problema. Una ventaja obvia es que el modelo matemático describe un problema en forma mucho más concisa. Esto tiende a hacer que toda la estructura del problema sea más comprensible y ayude a revelar las relaciones importantes entre causa y efecto. De esta manera, indica con más claridad que datos adicionales son importantes para el análisis. También facilita simultáneamente el manejo del problema en su totalidad y el estudio de todas sus interpelaciones. Por último, un modelo matemático forma un puente para poder emplear técnicas matemáticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de software para muchos tipos de modelos matemáticos, para micro y minicomputadoras.

Por otro lado, existen obstáculos que deben evitarse al usar modelos matemáticos. Un modelo es, necesariamente, una idealización abstracta del problema, por lo que casi siempre se requieren aproximaciones y suposiciones de simplificación si se quiere que el modelo sea manejable (susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una representación válida del problema. El criterio apropiado para juzgar la validez de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de acción, para poder tomar una decisión que tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes alternativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bastante preciso. Entonces, todo lo que se requiere es que exista una alta correlación entre la predicción del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante hacer un número considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se haya colocado después en el orden del libro, gran parte del trabajo de validación del modelo se lleva a cabo durante la etapa de construcción para que sirva de guía en la obtención del modelo matemático.

OBTENCIÓN DE UNA SOLUCIÓN A PARTIR DEL MODELO

Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propósito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema.

La selección del método de solución depende de las características del modelo. Los procedimientos de solución pueden ser clasificados en tres tipos: a) analíticos, que utilizan procesos de deducción matemática;

b) numéricos, que son de carácter inductivo y funcionan en base a operaciones de prueba y error;c) simulación, que utiliza métodos que imitan o, emulan al sistema real, en base a un modelo.

Muchos de los procedimientos de solución tienen la característica de ser iterativos, es decir buscan la solución en base a la repetición de la misma regla analítica hasta llegar a ella, si la hay, o cuando menos a una aproximación.

PRUEBA DEL MODELO

El desarrollo de un modelo matemático grande es análogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versión, es inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Eventualmente, después de una larga serie de programas mejorados, el programador (o equipo de programación) concluye que el actual da, en general, resultados razonablemente válidos. Aunque sin duda quedarán algunas fallas ocultas en el programa (y quizá nunca se detecten, se habrán eliminado suficientes problemas importantes como para que sea confiable utilizarlo.

De manera similar, es inevitable que la primera versión de un modelo matemático grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones relevantes no se incorporaron al modelo y algunos parámetros no se estimaron correctamente. Esto no se puede eludir dada la dificultad de la comunicación y la compresión de todos los aspectos y sutilezas de un problema operacional complejo, así como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se pueda. Con el tiempo, después de una larga serie de modelos mejorados, el equipo de IO concluye que el modelo actual produce resultados razonablemente válidos. Aunque sin duda quedarán algunos problemas menores ocultos en el modelo (y quizá nunca se detecten), las fallas importantes se habrán eliminado de manera que ahora es confiable usar el modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validación del modelo.

Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas detalladas del modelo, es sencillo "no ver el bosque por buscar los árboles". Entonces, después de completar los detalles ("los árboles") de la versión inicial del modelo, una buena manera de comenzar las pruebas es observarlo en forma global ("el bosque") para verificar los errores u omisiones obvias. El grupo que hace esta revisión debe, de preferencia, incluir por lo menos a una persona que no haya participado en la formulación. Al examinar de nuevo la formulación del problema y comprarla con el modelo pueden descubrirse este tipo de errores. También es útil asegurarse de que todas las expresiones matemáticas sean consistentes en las dimensiones de las unidades que emplean. Además, puede obtenerse un mejor conocimiento de la validez del modelo variando los valores de los parámetros de entrada y/o de las variables de decisión, y comprobando que los resultados del modelo se comporten de una manera factible. Con frecuencia, esto es especialmente revelador cuando se asignan a los parámetros o a las variables valores extremos cercanos a su máximo o a su mínimo.

Un enfoque más sistemático para la prueba del modelo es emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos históricos y reconstruye el pasado para determinar si el modelo y la solución resultante hubieran tenido un buen desempeño, de haberse usado. La comparación de la efectividad de este desempeño hipotético con lo que en realidad ocurrió, indica si el uso del modelo tiende a dar mejoras significativas sobre la práctica actual. Puede también indicar áreas en las que el modelo tiene fallas y requiere modificaciones. Lo que es más, el emplear las alternativas de solución y estimar sus desempeños históricos hipotéticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de acción.

Cuando se determina que el modelo y la solución no son válidos, es necesario iniciar nuevamente el proceso revisando cada una de las fases de la metodología de la investigación de operaciones.

ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION

Una solución establecida como válida para un problema, permanece como tal siempre y cuando las condiciones del problema tales como: las variables no controlables, los parámetros, las relaciones, etc., no cambien significativamente. Esta situación

se vuelve más factible cuando algunos de los parámetros fueron estimados aproximadamente. Por lo anterior, es necesario generar información adicional sobre el comportamiento de la solución debido a cambios en los parámetros del modelo. Usualmente esto se conoce como análisis de sensibilidad. En pocas

palabras, esta fase consiste en determinar los rangos de variación de los parámetros dentro de los cuales no cambia la solución del problema.

IMPLANTACIÓN DE LA SOLUCIÓN

El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. Una vez superado éste obstáculo, se debe traducir la solución encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operación y administración del sistema. La etapa de implantación de una solución se simplifica en gran medida cuando se ha propiciado la participación de todos los involucrados en el problema en cada fase de la metodología. Preparación para la aplicación del modelo

Esta etapa es crítica, ya que es aquí, y sólo aquí, donde se cosecharán los beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solución que salga a la luz en este momento.

El éxito de la puesta en práctica depende en gran parte del apoyo que proporcionen tanto la alta administración como la gerencia operativa. Es más probable que el equipo de IO obtenga este apoyo si ha mantenido a la administración bien informada y ha fomentado la guía de la gerencia durante el estudio. La buena comunicación ayuda a asegurar que el estudio logre lo que la administración quiere y por lo tanto merezca llevarse a la práctica. También proporciona a la administración el sentimiento de que el estudio es suyo y esto facilita el apoyo para la implantación.

La etapa de implantación incluye varios pasos. Primero, el equipo de investigación de operaciones de una cuidadosa explicación a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relación con la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operación. La gerencia operativa se encarga después de dar una capacitación detallada al personal que participa, y se inicia entonces el nuevo curso de acción. Si tiene éxito, el nuevo sistema se podrá emplear durante algunos años. Con esto en mente, el equipo de IO supervisa la experiencia inicial con la acción tomada para identificar cualquier modificación que tenga que hacerse en el futuro.

A la culminación del estudio, es apropiado que el equipo de investigación de operaciones documento su metodología con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una réplica debe ser parte del código de ética profesional del investigador de operaciones. Esta condición es crucial especialmente cuando se estudian políticas gubernamentales en controversia.

INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL

Muchas personas clasifican el desarrollo de la programación lineal entre los avances científicos más importantes de mediados del siglo XX, su impacto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compañías o negocios, incluyendo empresas medianas en los distintos países industrializados del mundo; su aplicación a otros sectores de la sociedad se está ampliando con rapidez. Una proporción muy grande de los cálculos científicos en computadoras está dedicada al uso de la programación lineal.

¿Cuál es la naturaleza de esta notable herramienta y qué tipos de problemas puede manejar. Expresado brevemente, el tipo más común de aplicación abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma óptima). Con más precisión, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas. Después, los niveles de actividad elegidos dictan la cantidad de cada recurso que consumirá cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripción es sin duda muy grande, y va desde la asignación de instalaciones de producción a los productos, hasta la asignación de los recursos nacionales a las necesidades de un país; desde la selección de una cartera de inversiones, hasta la selección de los patrones de envío; desde la planeación agrícola, hasta el diseño de una terapia de radiación, etc. No obstante, el ingrediente común de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas.

La programación lineal utiliza un modelo matemático para describir el problema. El adjetivo lineal significa que todas las funciones matemáticas del modelo deber ser funciones lineales. En este caso, las palabra

programación no se refiere a programación en computadoras; en esencia es un sinónimo de planeación. Así, la programación lineal trata la planeación de las actividades para obtener un resultado óptimo, esto es, el resultado que mejor alcance la meta especificada (según el modelo matemático) entre todas las alternativas de solución.

Aunque la asignación de recursos a las actividades es la aplicación más frecuente, la programación lineal tiene muchas otras posibilidades. de hecho, cualquier problema cuyo modelo matemático se ajuste al formato general del modelo de programación lineal es un problema de programación lineal. Aún más, se dispone de un procedimiento de solución extraordinariamente eficiente llamado método simplex, para resolver estos problemas, incluso los de gran tamaño. Estas son algunas causas del tremendo auge de la programación lineal en las últimas décadas.

MODELO DE PROGRAMACIÓN LINEAL

Los términos clave son recursos y actividades, en donde m denota el número de distintos tipos de recursos que se pueden usar y n denota el número de actividades bajo consideración. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehículos y personal. Los ejemplos de actividades incluyen inversión en proyectos específicos, publicidad en un medio determinado y el envío de bienes de cierta fuente a cierto destino. En cualquier aplicación de programación lineal, puede ser que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una correspondería en forma individual a las alternativas específicas dentro de esta categoría general.

El tipo más usual de aplicación de programación lineal involucra la asignación de recursos a ciertas actividades. La cantidad disponible de cada recurso está limitada, de forma que deben asignarse con todo cuidado. La determinación de esta asignación incluye elegir los niveles de las actividades que lograrán el mejor valor posible de la medida global de efectividad.

Ciertos símbolos se usan de manera convencional para denotar las distintas componentes de un modelo de programación lineal. Estos símbolos se enumeran a continuación, junto con su interpretación para el problema general de asignación de recursos a actividades.

Z = valor de la medida global de efectividad

xj = nivel de la actividad j (para j = 1,2,...,n)

cj = incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j

bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m)

aij = cantidad del recurso i consumido por cada unidad de la actividad j

El modelo establece el problema en términos de tomar decisiones sobre los niveles de las actividades, por lo que x1,x2,....,xn se llaman variables de decisión. Los valores de cj, bi y aij (para i = 1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij también se conocen como parámetros del modelo.

Forma estándar del modelo

Ahora se puede formular al modelo matemático para este problema general de asignación de recursos a actividades. En Datos necesarios para un modelo de programación lineal que maneja la asignación de recursos a actividades particular, este modelo consiste en elegir valores de x1,x2,....,xn para:

Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn,

Sujeta a las restricciones:

a11x1 + a12x2 +....+ a1nxn < b1

a21x1 + a22x2 +....+ a2nxn < b2

.

.

.

am1x1 + am2x2 +....+ amnxn < bm

X1 ³ 0, X2 ³0, ..., Xn ³0.

SUPOSICIONES DEL MODELO DE PROGRAMACIÓN LINEAL

Proporcionalidad

La contribución de cada actividad al valor de la función objetivo Z es proporcional al nivel de actividad xj, como lo representa el término cjxj en la función objetivo. De manera similar, la contribución de cada actividad al lado izquierdo de cada restricción funcional es proporcional al nivel de la actividad xj, en la forma en que lo representa el término aijxj en la restricción. En consecuencia, esta suposición elimina cualquier exponente diferente a 1 para las variables en cualquier término de las funciones (ya sea la función objetivo o la función en el lado izquierdo de las restricciones funcionales) en un modelo de programación lineal.

Actividad

Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o destruyen. Esta suposición garantiza que la contribución total tanto a la función objetivo como a las restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede recurrirse al empleo de otras técnicas de la programación matemática, dependiendo de cada caso en particular.

Aditividad

Cada función en un modelo de programación lineal (ya sea la función objetivo o el lado izquierdo de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades respectivas.

Divisibilidad

Las variables de decisión en un modelo de programación lineal pueden tomar cualquier valor, incluyendo valores no enteros, que satisfagan las restricciones funcionales y de no negatividad. Así, estas variables no están restringidas a sólo valores enteros. Como cada variable de decisión representa el nivel de alguna actividad, se supondrá que las actividades se pueden realizar a niveles fracciónales.

LIMITACIONES DEL MODELO DE PROGRAMACIÓN LINEAL

Modelo Determinístico

El modelo de PL involucra únicamente tres tipos de parámetros: Cj, aij y bi; de ahí su sencillez y gran aplicación. Sin embargo, el valor de dichos parámetros debe ser conocido y constante. Cuando el valor de los parámetros tiene un cierto riesgo o incertidumbre, pude utilizarse la programación paramédica, la programación estocástica, o realizarse un análisis de sensibilidad. Modelo Estático

En algunos modelos matemáticos se han empleado con éxito las ecuaciones diferenciales, para inducir la variable tiempo en ellos. En este sentido, puede decidirse que la PL utiliza un modelo estático, ya que la variable tiempo no se involucra formalmente. Adquiriendo un poco de experiencia en la formulación de modelos de PL, puede imbuirse la temporabilidad mencionada, con el uso de subíndices en las variables.

Modelo que no suboptimiza

Debido a la forma que se plantea el modelo de PL, o encuentra la solución óptima o declara que ésta no existe. Cuando no es posible obtener una solución óptima y se debe obtener alguna, se recurre a otra técnica más avanzada que la PL, la cual se denomina programación lineal por metas.

IMPACTO DE LA INVESTIGACIÓN DE OPERACIONES

La investigación de operaciones ha tenido un impacto impresionante en el mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. En el proceso, la investigación de operaciones ha hecho contribuciones significativas al incremento de la productividad dentro de la economía de varios países. Hay ahora más de 30 países que son miembros de la International Federation of Operational Research Societies (IFORS), en la que cada país cuenta con una sociedad de investigación de operaciones.

Sin duda, el impacto de la investigación de operaciones continuará aumentando. Por ejemplo, al inicio de la década de los 90, el U.S. Bureau of Labor Statistics predijo que la IO sería el área profesional clasificada como la tercera de más rápido crecimiento para los estudiantes universitarios en Estados Unidos, graduados entre 1990 y 2005. Pronosticó también que, para el año 2005, habría 100 000 personas trabajando como analistas de investigación de operaciones.

RIESGO AL APLICAR LA INVESTIGACIÓN DE OPERACIONES

Al aplicar la I de O al estudio de sistemas y a la resolución de problemas se corre el riesgo de tratar de manipular los problemas para buscar que se ajusten a las diferentes técnicas, modelos de algoritmos establecidos en lugar de analizar los problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los métodos apropiados, es decir resolver el problema utilizando los métodos que proporcionan las mejoras soluciones y no buscar ajustar el problema a un método específico.

Para llegar a hacer un uso apropiado de la I de O, es necesario primero comprender la metodología para resolver los problemas, así como los fundamentos de las técnicas de solución para de esta forma saber cuándo utilizarlas o no en las diferentes circunstancias.

LIMITACIONES DE LA INVESTIGACIÓN DE OPERACIONES

1. Frecuentemente es necesario hacer simplificaciones del problema original para poder manipularlo y detener una solución.

2. La mayoría de los modelos sólo considera un solo objetivo y frecuentemente en las organizaciones se tienen objetivos múltiples.

3. Existe la tendencia a no considerar la totalidad de las restricciones en un problema práctico, debido a que los métodos de enseñanza y entrenamiento dan la aplicación de esta ciencia centralmente se basan en problemas pequeños para razones de índole práctico, por lo que se desarrolla en los alumnos una opinión muy simplista e ingenua sobre la aplicación de estas técnicas a problemas reales.

4. Casi nunca se realizan análisis costo-beneficio de la implantación de soluciones definidas por medio de la I de O, en ocasiones los beneficios potenciales se van superados por los costos ocasionados por el desarrollo e implantación de un modelo.

INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES

Los cambios revolucionarios originaron gran aumento en la división de trabajo y la separación de las responsabilidades administrativas en las organizaciones. Sin embargo esta revolución creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de muchos de los componentes a convertirse en imperios relativamente autónomos, con sus propias metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el surgimiento de la Investigación de Operaciones.

La Investigación de Operaciones aspira determinar la mejor solución (optima) para un problema de decisión con la restricción de recursos limitados.

En la Investigación de Operaciones utilizaremos herramientas que nos permiten tomar una decisión a la hora de resolver un problema tal es el caso de los modelos e Investigación de Operaciones que se emplean según sea la necesidad.

Para llevar a cabo el estudio de Investigación de Operaciones es necesario cumplir con una serie de etapas o fases. Las principales etapas o fases de las que hablamos son las siguientes:

Definición del problema. Construcción del modelo. Solución del modelo. Validación del modelo. Implantación de los resultados finales.

ORÍGENES DE LA INVESTIGACIÓN DE OPERACIONES.

El inicio de la Investigación de Operaciones se remonta a la época de la Segunda Guerra Mundial en donde surgió la necesidad urgente de asignar recursos escasos a las diferentes operaciones militares y a las actividades dentro de cada operación, en la forma mas efectiva, es por esto, que las administraciones militares americana e inglesa hicieron un llamado a un gran número de científicos para que aplicaran el método científico a los problemas estratégicos y tácticos, a dichos científicos se les pidió que hicieran investigaciones sobre las operaciones militares. Todo el esfuerzo de este equipo de científicos (que fueron el primer equipo de Investigación de Operaciones) lograron el triunfo de muchas batallas.

Luego de terminar la guerra, el éxito de la Investigación de Operaciones en las actividades bélicas generó un gran interés en sus aplicaciones fuera del campo militar.

Desde la década de 1950, se había introducido el uso de la Investigación de Operaciones en la industria, los negocios y el gobierno, desde entonces, esta disciplina se ha desarrollado con rapidez.

Un factor importante de la implantación de la Investigación de Operaciones en este periodo es el mejoramiento de las técnicas disponibles en esta área. Muchos de los científicos que participaron en la guerra, se encontraron a buscar resultados sustanciales en este campo; un ejemplo sobresaliente es el método Simplex para resolución de problemas de Programación Lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas utilizadas en la Investigación de Operaciones como la Programación Lineal, la Programación Dinámica, Líneas de Espera y Teoría de Inventarios fueron desarrollados al final de los años 50.

Un segundo factor importante para el desarrollo de este campo fue el advenimiento de la revolución de las computadoras. Para manejar los complejos problemas relacionados con esta disciplina, generalmente se requiere un gran número de cálculos que llevarlos a cabo a mano es casi imposible. Por lo tanto el desarrollo de la computadora digital, fue una gran ayuda para la Investigación de Operaciones.

En la década de los 80 con la invención de computadoras personales cada vez más rápidas y acompañadas de buenos paquetes de Software para resolver problemas de Investigación de Operaciones esto puso la técnica al alcance de muchas personas. Hoy en día se usa toda una gama de computadoras, desde las computadoras de grandes escalas como las computadoras personales para la Investigación de Operaciones.

DEFINICIÓN Y SIGNIFICADO DE INVESTIGACIÓN DE OPERACIONES.

La Investigación de Operaciones aspira a determinar el mejor curso de acción, o curso óptimo, de un problema de decisión con la restricción de recursos limitados.

Como técnica para la resolución de problemas, investigación de operaciones debe visualizarse como una ciencia y como un arte.

Como Ciencia radica en ofrecer técnicas y algoritmos matemáticos para resolver problemas de decisión adecuada.

Como Arte debido al éxito que se alcanza en todas las fases anteriores y posteriores a la solución de un modelo matemático, depende de la forma apreciable de la creatividad y la habilidad personal de los analistas encargados de tomar las decisiones.

En un equipo de Investigación de Operaciones es importante la habilidad adecuada en los aspectos científicos y artísticos de Investigación de Operaciones. Si se destaca un aspecto y no el otro probablemente se impedirá la utilización efectiva de la Investigación de Operaciones en la práctica.

La Investigación de Operaciones en la Ingeniería de Sistemas se emplea principalmente en los aspectos de coordinación de operaciones y actividades de la organización o sistema que se analice, mediante el empleo de modelos que describan las interacciones entre los componentes del sistema y de éste con este con su medio ambiente

En la Investigación de Operaciones la parte de "Investigación" se refiere a que aquí se usa un enfoque similar a la manera en la que se lleva a cabo la investigación en los campos científicos establecidos. La parte de "Operaciones" es porque en ella se resuelven problemas que se refieren a la conducción de operaciones dentro de una organización.

CARACTERÍSTICAS DE LA INVESTIGACIÓN DE OPERACIONES.

La Investigación de Operaciones usa el método científico para investigar el problema en cuestión. En particular, el proceso comienza por la observación cuidadosa y la formulación del problema incluyendo la recolección de datos pertinentes.

La Investigación de Operaciones adopta un punto de vista organizacional. De esta manera intenta resolver los conflictos de interés entre los componentes de la organización de forma que el resultado sea el mejor para la organización completa.

La Investigación de Operaciones intenta encontrar una mejor solución (llamada solución optima), para el problema bajo consideración. En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de acción posible.

En la Investigación de Operaciones es necesario emplear el enfoque de equipo. Este equipo debe incluir personal con antecedentes firmes en matemáticas, estadísticas y teoría de probabilidades, economía, administración de empresas ciencias de la computación, ingeniería, etc. El equipo también necesita tener la experiencia y las habilidades para permitir la consideración adecuada de todas las ramificaciones del problema.

La Investigación de Operaciones ha desarrollado una serie de técnicas y modelos muy útiles a la Ingeniería de Sistemas. Entre ellos tenemos: la Programación No Lineal, Teoría de Colas, Programación Entera, Programación Dinámica, entre otras.

La Investigación de Operaciones tiende a representar el problema cuantitativamente para poder analizarlo y evaluar un criterio común.

DEFINICIÓN DE MODELOS.

Un modelo de decisión debe considerarse como un vehículo para resumir un problema de decisión en forma tal que haga posible la identificación y evaluación sistemática de todas las alternativas de decisión del problema. Después se llega a una decisión seleccionando la alternativa que se juzgue sea la mejor entre todas las opciones disponibles.

Un modelo es una abstracción selectiva de la realidad.

El modelo se define como una función objetivo y restricciones que se expresan en términos de las variables (alternativas) de decisión del problema.

Una solución a un modelo, no obstante, de ser exacta, no será útil a menos que el modelo mismo ofrezca una representación adecuada de la situación de decisión verdadera.

El modelo de decisión debe contener tres elementos:

Alternativas de decisión, de las cuales se hace una selección.

Restricciones, para excluir alternativas infactibles.

Criterios para evaluar y clasificar alternativas factibles.

TIPOS DE MODELOS DE INVESTIGACIÓN DE OPERACIONES.

(a) Modelo Matemático: Se emplea cuando la función objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemática como funciones de las variables de decisión.

(b) Modelo de Simulación: Los modelos de simulación difieren de los matemáticos en que las relaciones entre la entrada y la salida no se indican en forma explícita. En cambio, un modelo de simulación divide el sistema representado en módulos básicos o elementales que después se enlazan entre si vía relaciones lógicas bien definidas. Por lo tanto, las operaciones de cálculos pasaran de un módulo a otro hasta que se obtenga un resultado de salida.

Los modelos de simulación cuando se comparan con modelos matemáticos; ofrecen mayor flexibilidad al representar sistemas complejos, pero esta flexibilidad no esta libre de inconvenientes. La elaboración de este modelo suele ser costoso en tiempo y recursos. Por otra parte, los modelos matemáticos óptimos suelen poder manejarse en términos de cálculos.

Modelos de Investigación de Operaciones de la ciencia de la administración: Los científicos de la administración trabajan con modelos cuantitativos de decisiones.

Modelos Formales: Se usan para resolver problemas cuantitativos de decisión en el mundo real. Algunos modelos en la ciencia de la administración son llamados modelos deterministicos. Esto significa que todos los datos relevantes (es decir, los datos que los modelos utilizarán o evaluarán) se dan por conocidos. En los modelos probabilísticos (o estocásticos), alguno de los datos importantes se consideran inciertos, aunque debe especificarse la probabilidad de tales datos.

En la siguiente tabla se muestran los modelos de decisión según su clase de incertidumbre y su uso en las corporaciones. (D, determinista; P, probabilista; A, alto; B, bajo)

Tipo de Modelo Clase de Incertidumbre

Frecuencia de uso en corporaciones

Programación Lineal D ARedes (Incluye PERT/CPM) D,P AInventarios, producción y programación D,P AEconometría, pronóstico y simulación D,P AProgramación Entera D BProgramación Dinámica D,P BProgramación Estocástica P BProgramación No Lineal D BTeoría de Juegos P BControl Optimo D, P BLíneas de Espera P BEcuaciones Diferenciales D B

Modelo de Hoja de Cálculo Electrónica: La hoja de cálculo electrónica facilita hacer y contestar preguntas de "que si" en un problema real. Hasta ese grado la hoja de cálculo electrónica tiene una representación selectiva del problema y desde este punto de vista la hoja de cálculo electrónica es un modelo.

En realidad es una herramienta más que un procedimiento de solución.

ETAPAS DE LA INVESTIGACIÓN DE OPERACIONES.

Las etapas de un estudio de Investigación de Operaciones son las siguientes:

Definición del problema de interés y recolección de los datos relevantes. Formulación de un modelo matemático que represente el problema. Desarrollo de un procedimiento basado en computadora para derivar una solución al problema a partir

del modelo. Prueba del modelo y mejoramiento según sea necesario. Preparación para la aplicación del modelo prescrito por la administración. Puesta en marcha.

DEFINICIÓN DEL PROBLEMA Y RECOLECCIÓN DE DATOS.

La primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del área bajo estudio con otras áreas de la organización, los diferentes cursos de acción posibles, los límites de tiempo para tomar una decisión, etc. Este proceso de definir el problema es crucial ya que afectará en forma significativa la relevancia de las conclusiones del estudio.

Determinar los objetivos apropiados viene a ser un aspecto muy importante en la formulación del problema. Para hacerlo, es necesario primero identificar a la persona o personas de la administración que de hecho tomarán las decisiones concernientes al sistema bajo estudio, y después escudriñar los pensamientos de estos individuos respecto a los objetivos pertinentes. (Incluir al tomador de decisiones desde el principio es esencial para obtener su apoyo al realizar el estudio.)

Es común que los equipos de Investigación de Operaciones pasen mucho tiempo recolectando los datos relevantes sobre el problema. Se necesitan muchos datos como para lograr un entendimiento exacto del problema como para proporcionar el insumo adecuado para el modelo matemático que se formulará en la siguiente etapa del estudio.

Tomará un tiempo considerable al equipo de Investigación de Operaciones recabar la ayuda de otros de otros individuos clave de la organización para recolectar todos los datos importantes. Muchas veces, el equipo de Investigación de Operaciones pasará mucho tiempo intentando mejorar la precisión de los datos y al final tendrá que trabajar con lo que pudo obtener.

Aplicación: El Departamento de Salud de New Haven, Connecticut utilizó un equipo de Investigación de Operaciones para diseñar un programa efectivo de intercambio de agujas para combatir el contagio del virus que causa el SIDA (HIV), y tuvo éxito en la reducción del 33% de la tasa de infección entre los clientes del programa. La parte central de este estudio fue un innovador programa de recolección de datos para obtener los insumos necesarios para los modelos matemáticos de transmisión del SIDA. Este programa barco un rastreo completo de cada aguja (y cada jeringa), con la identificación, localización y fecha de cada persona que recibía una aguja y cada persona que la regresaba durante un intercambio, junto con la prueba de si la condición de la aguja era HIV - positivo o HIV – negativo.

FORMULACIÓN DE UN MODELO MATEMÁTICO.

Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su análisis. La forma convencional en que la investigación de operaciones realiza esto es construyendo un modelo matemático que represente la esencia del problema. El modelo matemático puede expresarse entonces como el problema de elegir los valores de las variables de decisión de manera que se maximice la función objetivo, sujeta a las restricciones dadas. Un modelo de este tipo, y algunas variaciones menores sobre él, tipifican los modelos analizados en investigación de operaciones.

Un paso crucial en la formulación de un modelo de Investigación de Operaciones es la construcción de la función objetivo. Esto requiere desarrollar una medida cuantitativa de la efectividad relativa a cada objetivo del tomador de decisiones identificado cuando se estaba definiendo el problema. Si en el estudio se contemplan más 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 (por ejemplo, ganancias) y corresponder a una meta más alta de la organización, o puede ser abstracta (como "utilidad"). En este último caso la tarea para desarrollar esta medida puede ser compleja y requerir una comparación cuidadosa de los objetivos y su importancia relativa.

Aplicación: La Oficina responsable del control del agua y los servicios públicos del Gobierno de Holanda, el Rijkswaterstatt, asignó un importante estudio de Investigación de Operaciones para guiarlo en el desarrollo de una importante política de administración del agua. La nueva política ahorro cientos de millones de dólares en gastos de inversión y redujo el daño agrícola en alrededor de 15 millones de dólares anuales, al mismo tiempo que disminuyo la contaminación térmica y debida a las algas. En lugar de formular un modelo matemático, este estudio de Investigación de Operaciones desarrolló un sistema integrado y comprensible de ¡50 modelos! Más aún, para alguno de los modelos, se desarrollan versiones sencillas y complejas. La versión sencilla se usó para adquirir una visión básica incluyendo el análisis de trueques. La versión compleja se usó después en las corridas finales del análisis o cuando se deseaba mayor exactitud o más detalles en los resultados. El estudio completo de Investigación de Operaciones involucró directamente a mas de 125 personas – año de esfuerzo (más de un tercio de ellas en la recolección de datos), creó varias docenas de programas de computación y estructuró una enorme cantidad de datos.

OBTENCIÓN DE UNA SOLUCIÓN A PARTIR DEL MODELO.

Una vez formulado el modelo matemático para el problema bajo estudio, la siguiente etapa para un estudio de Investigación de Operaciones consiste en desarrollar un procedimiento (por lo general basado en computadora) para derivar una solución al problema a partir de este modelo. Esta es una etapa relativamente sencilla, en la que se aplican uno de los algoritmos de investigación de operaciones en una computadora.

Un tema común en Investigación de Operaciones es la búsqueda de una solución óptima, es decir, la mejor. Se han desarrollado muchos procedimientos para encontrarla en cierto tipo de problemas, pero es necesario reconocer que estas soluciones son óptimas sólo respecto al modelo que se está utilizando.

La meta de un estudio de Investigación de Operaciones debe ser llevada a cabo el estudio de manera óptima, independientemente de si implica o no encontrar una solución óptima para el modelo. Al reconocer este concepto, los equipos de Investigación de Operaciones en ocasiones utilizan sólo procedimientos heurísticos (es decir, procedimientos de diseño intuitivo que no garantizan una solución óptima) para encontrar una buena solución subóptima. Esto ocurre con más frecuencia en los casos en que el tiempo o el costo que se requiere para encontrar una solución óptima para un modelo adecuado del problema son muy grandes.

Si la solución se implanta sobre la marcha, cualquier cambio en el valor de un parámetro sensible advierte de inmediato la necesidad de cambiar la solución.

El análisis posóptimo también incluye la obtención de un conjunto de soluciones que comprende una serie de aproximaciones, cada vez mejores, al curso de acción ideal. Así, las debilidades aparentes de la solución inicial se usan para sugerir mejoras al modelo, a sus datos de entrada y quizá al procedimiento de solución. Se obtiene entonces una nueva solución, y el ciclo se repite. Este proceso sigue hasta que las mejoras a soluciones sucesivas sean demasiado pequeñas para justificar su solución.

Aplicación: Considere el nuevo estudio de Investigación de Operaciones para el Rijkswaterstatt sobre la política de administración de agua en Holanda, que se introdujo en el concepto anterior. Este estudio no concluyó con la recomendación de una sola solución. Más bien, se identificaron, analizaron y compararon varias alternativas atractivas. La elección final se dejo al proceso político de gobierno de Holanda que culmino con la aprobación del Parlamento. El análisis de sensibilidad jugó un papel importante en este estudio. Por ejemplo, ciertos parámetros de los modelos representaron estándares ecológicos. El análisis de sensibilidad incluyó la evaluación del impacto en los problemas de agua si los valores de estos parámetros se cambiaran de los estándares ecológicos a otros valores razonables. Se usó también para evaluar el impacto de cambios en las suposiciones de los modelos, por ejemplo, la suposición sobre el efecto de tratados internacionales futuros sobre la contaminación que pudiera llegar. También se analizaron varios escenarios (como años secos o húmedos extremosos), asignando las probabilidades adecuadas.

PRUEBA DEL MODELO.

El desarrollo de un modelo matemático grande es análogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versión, es inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible.

Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validación del modelo.

Un enfoque más sistemático para la prueba del modelo es emplear una prueba retrospectiva. Cuando es apacible, esta prueba utiliza datos históricos y reconstruye el pasado para determinar si el modelo y la solución resultante hubieran tenido un buen desempeño, de haberse usado. Al emplear alternativas de solución y estimar sus desempeños históricos hipotéticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de acción.

Aplicación: En un estudio de Investigación de Operaciones para IBM se realizo con el fin de integrar su red nacional de inventarios de refacciones para mejorar el servicio a los clientes, al mismo tiempo que reducir el valor de los inventarios de IBM en más de 250 millones de dólares y ahorrar otros 20 millones de dólares anuales a través del mejoramiento de la eficiencia operacional. Un aspecto en particular interesante de la etapa de validación del modelo en este estudio fue la manera en que se incorporaron el proceso de prueba los usuarios futuros del sistema de inventarios. Debido a que estos usuarios futuros (los administradores de IBM en las áreas funcionales responsables de la implantación del sistema de inventarios) dudaban del sistema que se estaba desarrollando, se asignaron representantes a un equipo de usuarios que tendría la función de asesorar al equipo de Investigación de Operaciones. Una vez desarrollada la versión preliminar del nuevo sistema (basada en el sistema de inventarios de multiniveles) se lleva a cabo una prueba preliminar de implantación. La extensa retroalimentación por parte del equipo de usuarios llevo a mejoras importantes en el sistema propuesto.

PREPARACIÓN PARA LA APLICACIÓN DEL MODELO.

El siguiente paso es instalar un sistema bien documentado para aplicar el modelo según lo establecido por la administración.

Este sistema casi siempre está diseñado para computadora. De hecho, con frecuencia se necesita un número considerable de programas integrados. La base de datos y los sistemas de información administrativos pueden proporcionar entrada actualizada para el modelo cada vez que se use, en cuyo caso se necesitan programas de interfaz (de interacción con el usuario). Después de aplicar un procedimiento de solución (otro programa) al modelo, puede ser que los programas adicionales maneje la implantación de los resultados de manera automática. En otros casos se instala un sistema interactivo de computadora llamado sistema de soporte de decisiones, para ayudar a la gerencia a usar datos y modelos para apoyar (no para sustituir) su toma de decisiones cuando lo necesiten. Otro programa puede generar informes gerenciales (en el lenguaje administrativo) que interpretan la salida del modelo y sus implicaciones en la práctica.

Aplicación: Un sistema de computo grande para aplicar un modelo a las operaciones de control de una red nacional. Este sistema, llamado SYSNET, fue desarrollado como resultado de un estudio de Investigación de Operaciones realizado para la Yellow Freight System, Inc. Esta compañía maneja anualmente mas 15 millones de envíos de mensajería a través de una red de 630 terminales en todo estados Unidos. SYSNET se usa tanto para optimizar tanto para optimizar las rutas de los envíos como el diseño de la red . Debido al que sistema requiere mucha información sobre los flujos y pronósticos de carga, los costos de transporte y manejo, etc.; una parte importante del estudio de Investigación de Operaciones está dedicada a la integración de SYSNET al sistema de información administrativo de la corporación. Esta integración permitió la integración periódica de la entrada al modelo. La implantación de SYSNET dio como resultado el ahorro anual de alrededor de 17.3 millones de dólares además de un mejor servicio a los clientes.

IMPLANTACIÓN.

Una vez desarrollado un sistema para aplicar un modelo, la última etapa de un estudio de Investigación de Operaciones es implementarlo siguiendo lo establecido por la administración.

La etapa de implantación incluye varios pasos. Primero, el equipo de Investigación de Operaciones da una cuidadosa explicación a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relación con la realidad operativa. Enseguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operación. La gerencia operativa se encarga después de dar una capacitación detallada al personal que participa, y se inicia entonces el nuevo curso de acción. Si tiene éxito, el nuevo sistema se podrá emplear durante algunos años. Con esto en mente, el equipo de Investigación de Operaciones supervisa la experiencia inicial con la acción tomada para identificar cualquier modificación que tenga que hacerse en el futuro.

Aplicación: Este último punto sobre la documentación de un estudio Investigación de Operaciones se ilustra con el caso de la política nacional de administración del agua de Rijkswaterstatt en Holanda. La administración deseaba documentación mas extensa que lo normal, tanto para apoyar la nueva política

como para utilizarla en la capacitación de nuevos analistas o al realizar nuevos estudios. Completar esta documentación requirió varios años y ¡quedo contenida en 4000 páginas a espacio sencillo encuadernadas en 21 volúmenes!

DEFINICIÓN DE SISTEMAS DE PRODUCCIÓN.

La producción es el acto intencional de producir algo útil. La definición de producción se modifica para incluir el concepto de sistema, diciendo que u sistema de producción es el proceso especifico por medio del cual los elementos se transforman en productos útiles. Un proceso es un procedimiento organizado para lograr la conversión de insumos en resultados.

Cualquier sistema es una colección de componentes interactuantes. Cada componente podría ser un sistema en si mismo en un orden descendente de sencillez. Los sistemas se distinguen por sus objetivos; el objetivo de un sistema podría ser producir un componente que se va a ensamblar con otros componentes para alcanzar el objetivo que es un sistema mayor. Se requieren técnicas más elaboradas para tratar con sistemas más complejos. Es una carrera de relevos entre el desarrollo de sistemas cada vez más complejos y el desarrollo de métodos mas eficientes de dirección para controlarlos.

Tipos de Modelos de los Sistemas de Producción.

El modelo físico: Los modelos, por semejanza, derivan su utilidad de un cambio en la escala. Los patrones microscópicos pueden amplificarse para su investigación, y las enormes estructuras pueden hacerse a una escala más pequeña, hasta una magnitud que sea manipulable. Necesariamente, algunos detalles se pierden en los modelos. En las replicas físicas, esta pérdida puede ser una ventaja, cuando la consideración clave, es un factor, tal como la distancia, pero puede ser inútil un estudio si la influencia predominante se desvirtúa en la construcción del modelo.

El modelo esquemático: Los modelos de dos dimensiones son la delicia de quienes disfrutan de las gráficas. Los aspectos gráficos son útiles para propósitos de demostración. Algunos ejemplos que se encuentran comúnmente incluyen los diagramas de la organización, diagramas de flujo del proceso y gráficas de barras. Los símbolos sobre tales diagramas pueden arreglarse fácilmente para investigar el efecto de la reorganización.

El modelo matemático: Las expresiones cuantitativas, es decir, los modelos más abstractos, generalmente son los más útiles. Cuando un modelo matemático puede construirse para representar en forma exacta la situación de un problema, suministra una poderosa arma para el estudio; es fácil de manipular, el efecto de las variables interactuantes se aprecia claramente y, sobre todo, es un modelo preciso. Por lo general, cualquier definición debida al empleo de los modelos matemáticos se origina por algún error cometido en las suposiciones básicas y en las premisas sobre las cuales están basados.

DEFINICIONES DE LA INVESTIGACIÓN DE OPERACIONES

INTRODUCCIÓN

La toma de decisiones es un proceso que se inicia cuando una persona observa un problema y determina que es necesario resolverlo procediendo a definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a generar alternativas de solución y evaluarlas hasta seleccionar la que le parece mejor, este proceso puede se cualitativo o cuantitativo.

El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades necesarias en este enfoque son inherentes en la persona y aumentan con la práctica. En muchas ocasiones este proceso basta para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de herramientas matemáticas que le permitan a la persona mejorar su efectividad en la toma de decisiones. Este enfoque es útil cuando no se tiene experiencia con problemas similares o cuando el problema es tan complejo o importante que requiere de un análisis exhaustivo para tener mayor posibilidad de elegir la mejor solución.

La investigación de operaciones proporciona a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro.

En el ambiente socioeconómico actual altamente competitivo y complejo, los métodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que requieren de soluciones creativas y prácticas apoyadas en una base cuantitativa sólida.

En organizaciones grandes se hace necesario que el tomador de decisiones tenga un conocimiento básico de las herramientas cuantitativas que utilizan los especialistas para poder trabajar en forma estrecha con ellos y ser receptivos a las soluciones y recomendaciones que se le presenten.

En organizaciones pequeñas puede darse que el tomador de decisiones domine las herramientas cuantitativas y él mismo las aplique para apoyarse en ellas y así tomar sus decisiones.

Desde al advenimiento de la Revolución Industrial, el mundo ha sido testigo de un crecimiento sin precedentes en el tamaño y la complejidad de las organizaciones. Los pequeños talleres artesanales se convirtieron en las corporaciones actuales de miles de millones de pesos. Una parte integral de este cambio revolucionario fue el gran aumento en la división del trabajo y en la separación de las responsabilidades administrativas en estas organizaciones. Los resultados han sido espectaculares. Sin embargo, junto con los beneficios, el aumento en el grado de especialización creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es las tendencia de muchas de las componentes de una organización a convertirse en imperios relativamente autónomos, con sus propias metas y sistemas de valores, perdiendo con esto la visión de la forma en que encajan sus actividades y objetivos con los de toda la organización. Lo que es mejor para una componente, puede ir en detrimento de otra, de manera que pueden terminar trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la complejidad y la especialización crecen, se vuelve más difícil asignar los recursos disponibles a las diferentes actividades de la manera más eficaz para la organización 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 investigación de operaciones (IO).

Las raíces de la investigación de operaciones se remontan a muchas décadas, cuando se hicieron los primeros intentos para emplear el método científico en la administración de una empresa. Sin embargo, el inicio de la actividad llamada investigación de operaciones, casi siempre se atribuye a los servicios militares prestados a principios de la segunda guerra mundial. Debido a los esfuerzos bélicos, existía una necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada operación, en la forma más efectiva. Por esto, las administraciones militares americana e inglesa hicieron un llamado a un gran número de científicos para que aplicaran el método científico a éste y a otros problemas estratégicos y tácticos. De hecho, se les pidió que hicieran investigación sobre operaciones (militares). Estos equipos de científicos fueron los primeros equipos de IO. Con el desarrollo de métodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate aéreo inglés. A través de sus investigaciones para mejorar el manejo de las operaciones antisubmarinas y de protección, jugaron también un papel importante en la victoria de la batalla del Atlántico Norte. Esfuerzos similares fueron de gran ayuda en a isla de campaña en el pacífico.

Al terminar la guerra, el éxito de la investigación de operaciones en las actividades bélicas generó un gran interés en sus aplicaciones fuera del campo militar. Como la explosión industrial seguía su curso, los problemas causados por el aumento en la complejidad y especialización dentro de las organizaciones pasaron de nuevo a primer plano. Comenzó a ser evidente para un gran número de personas, incluyendo a los consultores industriales que habían trabajado con o para los equipos de IO durante la guerra, que estos problemas eran básicamente los mismos que los enfrentados por la milicia, pero en un contexto diferente. Cuando comenzó la década de 1950, estos individuos habían introducido el uso de la investigación de operaciones en la industria, los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado con rapidez.

Se pueden identificar por lo menos otros dos factores que jugaron un papel importante en el desarrollo de la investigación de operaciones durante este período. Uno es el gran progreso que ya se había hecho en el mejoramiento de las técnicas disponibles en esta área. Después de la guerra, muchos científicos que habían participado en los equipos de IO o que tenían información sobre este trabajo, se encontraban motivados a buscar resultados sustanciales en este campo; de esto resultaron avances importantes. Un ejemplo sobresaliente es el método simplex para resolver problemas de programación lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas características de la investigación de operaciones, como programación lineal, programación dinámica, líneas de espera y teoría de inventarios, fueron desarrolladas casi por completo antes del término de la década de 1950.

Un segundo factor que dio ímpetu al desarrollo de este campo fue el advenimiento de la computadoras. Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina, por lo general se requiere un gran número de cálculos. Llevarlos a cabo a mano puede resultar casi imposible. Por lo tanto, el desarrollo de la computadora electrónica digital, con su capacidad para realizar cálculos aritméticos, miles o tal vez millones de veces más rápido que los seres humanos, fue una gran ayuda para la investigación de operaciones. Un avance más tuvo lugar en la década de 1980 con el desarrollo de las computadoras personales cada vez más rápidas, acompañado de buenos paquetes de software para resolver problemas de IO, esto puso las técnicas al alcance de un gran número de personas. Hoy en día, literalmente millones de individuos tiene acceso a estos paquetes. En consecuencia, por rutina, se usa toda una gama e computadoras, desde las grandes hasta las portátiles, para resolver problemas de investigación de operaciones.

NATURALEZA DE LA INVESTIGACIÓN DE OPERACIONES

Como su nombre lo dice, la investigación de operaciones significa "hacer investigación sobre las operaciones". Entonces, la investigación de operaciones se aplica a problemas que se refieren a la conducción y coordinación de operaciones (o actividades) dentro de una organización. La naturaleza de la organización es esencialmente inmaterial y, de hecho, la investigación de operaciones se ha aplicado de manera extensa en áreas tan diversas como la manufactura, el transporte, la constitución, las telecomunicaciones, la planeación financiera, el cuidado de la salud, la milicia y los servicios públicos, por nombrar sólo unas cuantas. Así, la gama de aplicaciones es extraordinariamente amplia.

La parte de investigación en el nombre significa que la investigación de operaciones usa un enfoque similar a la manera en que se lleva a cabo la investigación en los campos científicos establecidos. En gran medida, se usa el método científico para investigar el problema en cuestión. (De hecho, en ocasiones se usa el término ciencias de la administración como sinónimo de investigación de operaciones.) En particular, el proceso comienza por la observación cuidadosa y la formulación del problema incluyendo la recolección de los datos pertinentes. El siguiente paso es la construcción de un modelo científico (por lo general matemático) que intenta abstraer la esencia del problema real. En este punto se propone la hipótesis de que el modelo es una representación lo suficientemente precisa de las características esenciales de la situación como para que las conclusiones (soluciones) obtenidas sean válidas también para el problema real. Después, se llevan a cabo los experimentos adecuados para probar esta hipótesis, modificarla si es necesario y eventualmente verificarla. (Con frecuencia este paso se conoce como validación del modelo.) Entonces, en cierto modo, la investigación e operaciones incluye la investigación científica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe más que esto. En particular, la IO se ocupa también de la administración práctica de la organización. Así, para tener éxito, deberá también proporcionar conclusiones claras que pueda usar el tomador de decisiones cuando las necesite.

Una característica más de la investigación de operaciones es su amplio punto de vista. Como quedó implícito en la sección anterior, la IO adopta un punto de vista organizacional. de esta manera, intenta resolver los conflictos de intereses entre las componentes de la organización de forma que el resultado sea el mejor para la organización completa. Esto no significa que el estudio de cada problema deba considerar en forma explícita todos los aspectos de la organización sino que los objetivos que se buscan deben ser consistentes con los de toda ella.

Una característica adicional es que la investigación de operaciones intenta encontrar una mejor solución, (llamada solución óptima) para el problema bajo consideración. (Decimos una mejor solución y no la mejor solución porque pueden existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de acción posible. Aun cuando debe interpretarse con todo cuidado en términos de las necesidades reales de la administración, esta "búsqueda de la optimidad" es un aspecto importante dentro de la investigación de operaciones.

Todas estas características llevan de una manera casi natural a otra. Es evidente que no puede esperarse que un solo individuo sea un experto en todos lo múltiples aspectos del trabajo de investigación de operaciones o de los problemas que se estudian; se requiere un grupo de individuos con diversos antecedentes y habilidades. Entonces, cuando se va a emprender un estudio de investigación de operaciones completo de un nuevo problema, por lo general es necesario emplear el empleo de equipo. Este debe incluir individuos con antecedentes firmes en matemáticas, estadística y teoría de probabilidades, al igual que en economía, administración de empresas, ciencias de la computación, ingeniería, ciencias físicas, ciencias del comportamiento y, por supuesto, en las técnicas especiales de investigación de operaciones. El equipo también necesita tener la experiencia y las habilidades necesarias para permitir la consideración adecuada de todas las ramificaciones del problema a través de la organización.

¿QUÉ ES LA INVESTIGACIÓN DE OPERACIONES?

Como toda disciplina en desarrollo, la investigación de operaciones ha ido evolucionando no sólo en sus técnicas y aplicaciones sino en la forma como la conceptualizan los diferentes autores, en la actualidad no existe solamente una definición sino muchas, algunas demasiado generales, otras demasiado engañosas, aquí seleccionamos dos de las mas aceptadas y representativas.

La definición de Churchman, Ackoff y Arnoff: La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del método científico a problemas relacionados con el control de las organizaciones o sistemas (hombre-máquina), a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organización.

De ésta definición se pueden destacar los siguientes conceptos:

1. Una organización es un sistema formado por componentes que se interaccionan, unas de estas interacciones pueden ser controladas y otras no.

2. En un sistema la información es una parte fundamental, ya que entre las componentes fluye información que ocasiona la interacción entre ellas. También dentro de la estructura de los sistemas se encuentran recursos que generan interacciones. Los objetivos de la organización se refieren a la eficacia y eficiencia con que las componentes pueden controlarse, el control es un mecanismo de autocorrección del sistema que permite evaluar los resultados en términos de los objetivos establecidos.

3. La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su análisis y solución se requieren grupos compuestos por especialistas de diferentes áreas del conocimiento que logran comunicarse con un lenguaje común.

4. La investigación de operaciones es la aplicación de la metodología científica a través modelos matemáticos, primero para representar al problema y luego para resolverlo. La definición de la sociedad de investigación de operaciones de la Gran Bretaña es la siguiente:

La investigación de operaciones es el ataque de la ciencia moderna a los complejos problemas que surgen en la dirección y en la administración de grandes sistemas de hombres, máquinas, materiales y dinero, en la industria, en los negocios, en el gobierno y en la defensa. Su actitud diferencial consiste en desarrollar un modelo científico del sistema tal, que incorpore valoraciones de factores como el azar y el riesgo y mediante el cual se predigan y comparen los resultados de decisiones, estrategias o controles alternativos. Su propósito es el de ayudar a la gerencia a determinar científicamente sus políticas y acciones.

EN RELACIÓN A ÉSTA DEFINICIÓN DEBEN DESTACARSE LOS SIGUIENTES ASPECTOS:

1. Generalmente se asocian los conceptos de dirección y administración a las empresas de tipo lucrativo, sin embargo, una empresa es un concepto más amplio, es algo que utiliza hombres, máquinas, materiales y dinero con un propósito específico; desde éste punto de vista, se considera como empresa desde una universidad hasta una armadora de automóviles.

2. Para tratar de explicar el comportamiento de un sistema complejo, el científico debe representarlo en términos de los conceptos que maneja, lo hace expresando todos los rasgos principales del sistema por medio de relaciones matemáticas. A esta representación formal se le llama modelo.

3. La esencia de un modelo es que debe ser predictivo, lo cual no significa predecir el futuro, pero si ser capaz de indicar muchas cosas acerca de la forma en que se puede esperar que un sistema opere en una variedad de circunstancias, lo que permite valorar su vulnerabilidad. Si se conocen las debilidades del sistema se pueden tomar cursos de acción agrupados en tres categorías: A) Efectuar cambios que lleven a la empresa o parte de ella a una nueva ruta; B) Realizar un plan de toma de decisiones; C) Instalar estrategias que generen decisiones. Cuando se aplica alguno de estos remedios, la investigación de operaciones nos ayuda a determinar la acción menos vulnerable ante un futuro incierto.

4. El objetivo global de la investigación de operaciones es el de apoyar al tomador de decisiones, en cuanto ayudarlo a cumplir con su función basado en estudios científicamente fundamentados.

ENFOQUE DE LA INVESTIGACIÓN DE OPERACIONES:

La parte innovadora de la IO es sin duda alguna su enfoque modelístico, producto de sus creadores aunado a la presión de supervivencia de la guerra o la sinergia generada al combinarse diferentes disciplinas, una descripción del enfoque es la siguiente. (Ver la figura 11).

1. Se define el sistema real en donde se presenta el problema. Dentro del sistema interactuan normalmente un gran número de variables.

2. Se seleccionan las variables que norman la conducta o el estado actual del sistema, llamadas variables relevantes, con las cuales se define un sistema asumido del sistema real.

3. Se construye un modelo cuantitativo del sistema asumido, identificando y simplificando las relaciones entre las variables relevantes mediante las utilización de funciones matemáticas.

4. Se obtiene la solución al modelo cuantitativo mediante la aplicación de una o mas de las técnicas desarrolladas por la IO.

5. Se adapta e imprime la máxima realidad posible a la solución teórica del problema real obtenida en el punto 4, mediante la consideración de factores cualitativos o no cuantificables, los cuales no pudieron incluirse en el modelo. Además se ajusta los detalles finales vía el juicio y la experiencia del tomador de decisiones.

6. Se implanta la solución en el sistema real.

La Investigación de Operaciones obtiene la solución del problema real indirectamente, y no como normalmente se intentaría pasando directamente del problema real a la solución real.

IMPACTO DE LA INVESTIGACIÓN DE OPERACIONES

La investigación de operaciones ha tenido un impacto impresionante en el mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. En el proceso, la investigación de operaciones ha hecho contribuciones significativas al incremento de la productividad dentro de la economía de varios países. Hay ahora más de 30 países que son miembros de la International Federation of Operational Research Societies (IFORS), en la que cada país cuenta con una sociedad de investigación de operaciones.

Sin duda, el impacto de la investigación de operaciones continuará aumentando. Por ejemplo, al inicio de la década de los 90, el U.S. Bureau of Labor Statistics predijo que la IO sería el área profesional clasificada como la tercera de más rápido crecimiento para los estudiantes universitarios en Estados Unidos, graduados entre 1990 y 2005. Pronosticó también que, para el año 2005, habría 100 000 personas trabajando como analistas de investigación de operaciones.

RIESGO AL APLICAR LA INVESTIGACIÓN DE OPERACIONES

Al aplicar la I de O al estudio de sistemas y a la resolución de problemas se corre el riesgo de tratar de manipular los problemas para buscar que se ajusten a las diferentes técnicas, modelos de algoritmos establecidos en lugar de analizar los problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los métodos apropiados, es decir resolver el problema utilizando los métodos que proporcionan las mejoras soluciones y no buscar ajustar el problema a un método específico.

Para llegar a hacer un uso apropiado de la I de O, es necesario primero comprender la metodología para resolver los problemas, así como los fundamentos de las técnicas de solución para de esta forma saber cuándo utilizarlas o no en las diferentes circunstancias.

LIMITACIONES DE LA INVESTIGACIÓN DE OPERACIONES

1. Frecuentemente es necesario hacer simplificaciones del problema original para poder manipularlo y detener una solución.

2. La mayoría de los modelos sólo considera un solo objetivo y frecuentemente en las organizaciones se tienen objetivos múltiples.

3. Existe la tendencia a no considerar la totalidad de las restricciones en un problema práctico, debido a que los métodos de enseñanza y entrenamiento dan la aplicación de esta ciencia centralmente se basan en problemas pequeños para razones de índole práctico, por lo que se desarrolla en los alumnos una opinión muy simplista e ingenua sobre la aplicación de estas técnicas a problemas reales.

4. Casi nunca se realizan análisis costo-beneficio de la implantación de soluciones definidas por medio de la I de O, en ocasiones los beneficios potenciales se van superados por los costos ocasionados por el desarrollo e implantación de un modelo.

APLICACIONES DE LA INVESTIGACIÓN DE OPERACIONES

INVESTIGACIÓN DE OPERACIONES, PODEROSA HERRAMIENTA PARA EL USO ÓPTIMO DE LOS RECURSOS ESCASOS

Cuál es la forma más eficiente de asignar ciertos recursos escasos para conseguir la más alta tasa de retorno? ¿Cuál es la mejor manera de asignar rutas a una flotilla de transporte de bienes que deben ser colocados en bodegas de distribuidores para que los costos sean más bajos? ¿Cuántas ventanillas deben colocarse en un banco en las horas normales y en las horas y días pico para que los clientes no se desesperen y se larguen al banco que está cruzando la calle?

¿Cuántas cajas registradoras deben habilitar un supermercado para que el largo de las colas no entorpezca la circulación de los clientes que aún están comprando y de los trabajadores que colocan mercadería, etiquetan y dan atención al público? ¿De qué manera debe asignarse un presupuesto en una industria (o en un sector de la economía de un país), para que se satisfaga la demanda interna y externa del bien o servicio que produce?

¿Cuál será la demanda de líneas telefónicas para el año 2000, teniendo en cuenta el crecimiento natural de la población, el cambio de sus hábitos, la producción, el número de profesionales, escuelas, comercios, etcétera, que habrán en ese entonces? ¿Será posible hacer predicciones (aproximadas por supuesto) de cuántas escuelas, comercios, profesionales, etcétera, habrá en el año 2000? Hermosa cantidad de preguntas para comenzar un artículo sobre Investigación de Operaciones (IO), pero definitivamente es muy oportuno porque es en estos casos donde los especialistas en esta disciplina pueden apoyar a los demás.

Una pregunta más: ¿Qué es entonces la Investigación de Operaciones? realmente es un poco difícil dar una respuesta corta a esta última pregunta pero si la IO va a tratar de encontrar respuesta a las preguntas que hemos planteado en el primer párrafo y a otra tonelada más, debemos tratar de definir lo que es. Hillier, Lieberman, Shamblin, Stevens, Taha, Tierauf, Grosse, Sasieni, por mencionar algunos de los grandes especialistas en IO, dan una serie de definiciones que bien podría resumirse como:

Es un enfoque científico de la toma de decisión. Podemos decir que la IO utiliza un enfoque planeado (método científico) y un grupo interdisciplinario para representar, mediante modelos simbólicos, las relaciones funcionales que se dan en la realidad, lo cual suministra una base cuantitativa para la toma de decisiones. Algo que es tan general como la definición que acabamos de dar pero que da mucha claridad sobre lo que hace la Investigación de Operaciones es que, cuando se aplica alguna herramienta de la IO, se busca obtener el óptimo resultado del uso de los recursos escasos.

Mucho se dice de la formación previa que se debe tener para hacer Investigación de Operaciones, incluso hay autores que aún dicen en sus libros, que no se requiere ningún conocimiento de matemática para poder leerlo, sin embargo, no advierten al ingenuo lector que tampoco podrán resolver problemas reales sino solamente algunos ejemplos de juguete que se encuentran ahí mismo. Nuestra experiencia en el campo de la enseñanza y la aplicación de las herramientas de la IO, nos han hecho ver que para hacer IO en forma profesional aceptable, se requiere de una sólida preparación en Estadística Descriptiva e Inferencial, conocimientos sobre las aplicaciones del Cálculo Diferencial e Integral y del Algebra Lineal, y desde luego, principios generales de Economía, de lo contrario, el estudioso de la Investigación de Operaciones se sentirá decepcionado y el que debe aplicarla se frustrará a menudo.

CÓMO SE TRABAJA EN INVESTIGACIÓN DE OPERACIONES

Como dijimos en la revista anterior (primera parte de esta serie de artículos sobre el tema), la Investigación de Operaciones busca el óptimo resultado en la utilización de recursos escasos y usa el método científico. El orden habitual de las investigaciones que se realizan con este instrumental es el siguiente:

1. Se define el problema que se desea resolver en la forma más completa y clara que sea posible.

2. Se construye un modelo apropiado que represente al sistema o al proceso en estudio (matematización del problema).

3. Se deduce una o varias soluciones a partir del modelo construido.4. Se hace una prueba del modelo y de la solución obtenida, contrastando esto con la realidad, si es que

existe información suficiente, de lo contrario el contraste se hace con modelos secundarios.5. Se ajusta el modelo y se monitorea el resultado.6. Se implementa la solución, esto es, se pone a trabajar al modelo y sus soluciones.

Veamos en detalle cada una de las partes que acabamos de enumerar:

1. Definición del problema. No es posible iniciar la búsqueda de la solución de un problema si no está claro ¿cuál es el problema? Al investigador no le debe caber la menor duda de que sabe correctamente lo que busca, de lo contrario cualquier cosa que encuentre está bien y está mal, lo cual es una contradicción. Siempre nos debemos responder cuestiones tales como: ¿Cuáles son los objetivos? ¿Cuáles las acciones a tomar y cuáles sus alternativas? ¿Cuáles son las restricciones? ¿Cómo se medirán los resultados? La definición del problema debe ser clara, concisa y con palabras sencillas que no dejen lugar a varias interpretaciones.

2. Construcción del modelo apropiado que represente al sistema o proceso en estudio. Un modelo, desde el punto de la Investigación de Operaciones, es una representación de una realidad (o de una idealidad). Estos pueden ser: Icónicos (representaciones físicas como los aeromodelos, las maquetas, los carritos, los muñecos, etcétera); análogos, la mayoría de los cuales son más dinámicos que los icónicos y pueden mostrar comportamientos derivados de acciones, como las superficies y las curvas de oferta y demanda, los nomogramas de ingeniería que describen fenómenos de deformación de estructuras o comportamientos de todas las variables de una caldera, etcétera; Redes gráficas, como las redes CPM-PERT, Project, Harvard y otras, que se utilizan para la planificación, ejecución y control de proyectos; Matemáticos o Simbólicos, los cuales se describen generalmente por medio de sistemas de m ecuaciones con n incógnitas o en forma matricial: A*x = b, donde A es un matriz, y, x y b son vectores de los espacios vectoriales Rm y Rn, respectivamente.Es habitual que la función llamada función objetivo y que es la que se desea optimizar, se escriba en forma separada como f(x) = z. Existen otras clasificaciones pero consideramos que para los fines de este artículo es suficientemente claro si nos referimos sólo a estos cuatro. Por otro lado, se dice que los modelos son Determinísticos, como los de Programación Lineal y Transporte; y, Probabilísticos, como las Cadenas de Markov, los de Teoría de Juegos, Teoría de Decisiones, las líneas de Espera y otros.

3. Deducción de una o varias soluciones. Cuando el modelo ha sido bien escogido o construido, se espera que la solución del problema real sea teórico. Algunas veces no es posible obtener soluciones exactas para el problema original, entonces aceptaremos soluciones aproximadas o bien usamos soluciones alternas en la construcción del modelo. Es posible y no es nada raro que podamos detectar varias soluciones alternas.

4. Pruebas del modelo y contraste con la realidad. Comparaciones de soluciones con las de modelos secundarios. Usando información histórica, ésta se mete al modelo y se observa si los resultados son coincidentes con los resultados reales que fueron observados a través del tiempo, luego se hace lo mismo con información del período ex post (la información obtenida durante la época de construcción) y se compara con el funcionamiento real del proceso.

5. Ajustes del modelo y monitoreo de resultados. En este momento ya tenemos a nuestro modelo dándonos resultados aceptables (parecidos, si no iguales a los observados), se hace un balance y se ve si vale la pena hacer ajustes a los coeficientes y organización de la estructura del modelo para obtener mejores resultados o si por el contrario es necesario hacer reingeniería.Debe seguirse haciendo comparaciones con varias generaciones de resultados para lograr afinar el modelo.

6. Implementación de la solución. Una vez pasadas todas las pruebas que dan seguridad sobre el funcionamiento del instrumento, se da la capacitación necesaria a las personas que tendrán a su cargo la operación del modelo, preparando todas las herramientas de cómputo para que se elaboren automáticamente los reportes que permitirán a los tomadores de decisión hacer su trabajo.(F)

LAS PRINCIPALES HERRAMIENTAS DE LA INVESTIGACIÓN DE OPERACIONES

Cuando hablamos de herramientas en IO, nos estamos refiriendo a los diferentes modelos teóricos (como por ejemplo, modelos de transporte y teoría de colas), y a otras disciplinas (como matemática, administración, economía, etcétera), que se utilizan como instrumentos de trabajo habitual para el profesional de la Investigación de Operaciones. Debe quedar claro, sin embargo, que cada día se agregan más tipos de modelos y otras disciplinas imposibles de enumerar en este momento.

De la misma manera la Investigación de Operaciones es considerada, ella misma como una herramienta al servicio de otras disciplinas (tal como reza el título de nuestros artículos). Es bien conocido que la Administración de Negocios se ha estado beneficiando grandemente de la Investigación de Operaciones ahora que se ha iniciado toda una revolución con el uso de Planificación Estratégica, Reingeniería y los programas de Calidad Total, para mencionar algunos.

A continuación presentamos una lista, no exhaustiva, de diferentes tipos de modelos que se podrían considerar como herramientas de la Investigación de Operaciones, sugerimos al lector revisarla y compararla con los contenidos de libros clásicos de I.O:

1. Modelos gráficos de programación lineal.2. Modelos algebraicos de programación lineal.3. Redes y programación lineal para transporte.4. Modelos de toma de decisión en condiciones de incertidumbre.5. Modelos de toma de decisión en condiciones de certeza.6. Modelos Bayesianos.7. Procesos estocásticos con cadenas de Markov.8. Líneas de espera (Teoría de colas).9. Modelos de optimización con redes para la planeación, ejecución y control de proyectos.10. Cadenas de Markov para el reemplazo de activos fijos.11. Modelos de inventarios determinísticos.12. Modelos de inventarios probabilísticos.13. Modelos de programación dinámica y teoría de juegos.14. Modelos de simulación para la obtención de información experta.15. Modelos heurísticos de autoaprendizaje y autocorrección.

Los expertos Hillier y Lieberman dicen en su tratado (usado como texto durante varias generaciones de estudiosos de la Investigación de Operaciones) con la Revolución Industrial se inventó la división del trabajo y esto trajo como consecuencia un crecimiento en la dimensión y complejidad de las organizaciones. Como ya lo hemos comentado en otro artículo de esta revista, la superespecialización de los individuos, los departamentos de las industrias y aún las mismas industrias, produjo un efecto de aparente desorden (a veces aparente y a veces real) dentro de las organizaciones, ya que se intentaba armar rompecabezas con todas las piezas que producían los especialistas. Sin las técnicas y modelos de la I.O. la situación hubiese devenido en un caos, fue esta herramienta (o si lo queremos decir en términos más globales, las herramientas) la que permitió organizar todos los cabos sueltos y al mismo tiempo la situación hizo que la I.O. creciera.

Nosotros sabemos que la reingeniería propone olvidarnos de la división del trabajo y regresar a una especie de todología ya que esto evita los pasos laterales que no agregan valor a los procesos y nos da la opción de atender directamente al beneficiario del proceso ¡el cliente!. Las técnicas de redes, teoría de colas, modelos de inventarios, programación lineal, transporte, etcétera, aunado a la capacitación del personal y a la tecnología cambiante y agresiva son, en esta era de la Planificación Estratégica, los instrumentos indispensables para la Reingeniería y la Calidad Total.

INVESTIGACIÓN DE OPERACIONES PODEROSA HERRAMIENTA AL SERVICIO DE LA ADMINISTRACIÓN, LA ECONOMÍA Y LAS INGENIERÍAS

En este artículo y en los próximos entraremos en detalles más puntuales con relación a los diferentes modelos más utilizados como herramientas dentro de la investigación de operaciones. Los modelos de redes tipo CPM-PERT y el MS-PROJET como métodos gerenciales para la planificación, ejecución y control de proyectos.

Pese a que para poder leer e interpretar adecuadamente una red CPM-PERT sólo se necesita saber leer y escribir, esta técnica para la planificación de proyectos es un instrumento gerencial por excelencia, ya que permite al ejecutivo mantener un control muy preciso durante la ejecución de los mismos.

Este ingenioso y elegante método para la optimización de tiempos y minimización de costos es la mezcla de dos instrumentos creados hace algunos años; el CEMP (Crithical Path Method) y el PERT (Program Evaluation on Review Technique).

El primero fue diseñado en el segundo lustro de los años 50, por los investigadores de Dupont: J.E. Kelly y M.R. Walker y originalmente fue denominado CPPSM (Crithical Path Planing and Scheduling Method), se usó para la programación y control de la factoría química en Kentuky y demostró sus grandes ventajas respecto a los métodos clásicos por su aptitud de integrar modificaciones sin dificultad.

El segundo método fue diseñado en la misma época por Naval Special Project Office, con la colaboración de la Lockhead Aircraft y de la firma Booz-Allen & Hamilton. Lo extraordinario es que habiendo sido diseñados por grupos diferentes que buscaban resultados diferentes (uno la minimización de costos y el otro la optimización de los tiempos), y que el primero fuera de tipo determinístico y el segundo probabilístico, las coincidencias gráficas fueran tan notables en ambos métodos. Puede decirse que a primera vista no existe ninguna diferencia desde el punto de vista gráfico.

Estos dos métodos aportaron los elementos administrativos necesarios para formar el método actual CPM-PERT que definitivamente es de más difícil lectura y más elegante y poderoso que sus antecesores, se usa para el control de los tiempos de ejecución y los costos de operación buscando que el proyecto sea realizado en tiempo óptimo y al menor costo posible.

Los métodos de redes, en general, habían estado siendo manejados como secretos militares por la NASA, que como ahora sabemos había tenido una serie de sonados fracasos en sus lanzamientos de satélites artificiales. Fue en el momento de la desesperación y angustia (1957), cuando los soviéticos colocaron el primer Sputnik en órbita, cuando dieron mayor abertura a otras personas e instituciones para que les ayudaran a poner a punto a su cohete Polaris y a recuperar el tiempo perdido por haber trabajado aislados.

De ese momento en adelante toda la programación de NASA se hizo usando redes y esto les permitió, como lo hace con cualquier proyecto, manejar simultáneamente la enorme cantidad de actividades desarrolladas por subcontratistas ligadas entre sí pero desarrolladas en lugares diferentes por personas que no tenían relación directa.

La administración y las ingenierías fueron las grandes ganadoras ya que en forma casi natural comenzaron a utilizar CPM y PERT como instrumentos.

Al principio el PERT se utilizó para evaluar la programación de un proyecto de investigación y desarrollo, en la actualidad se usa para controlar el avance de otro tipo de proyectos como:

1. Programación de proyectos de construcción de edificios, autopistas, puentes, etcétera.2. Programación de la mudanza de grandes instituciones como bancos, hospitales, industrias, etcétera.3. Creación de procedimientos para la cuenta regresiva y la suspensión del lanzamiento de los vuelos

espaciales (de todos los vuelos de todos los países que compiten en la era espacial).4. Instalaciones de sistema de cómputo, de maquinaria y equipo de grandes industrias.5. Diseño y distribución de productos nuevos.6. Inicio, proceso y conclusión de fusiones de instituciones en corporaciones y de corporaciones mismas.7. Construcción de equipo, maquinaria estacionaria y vehículos automotores.8. Flujos de costos mínimos, etcétera.

Características importantes a tener en cuenta para usar la metodología CPM-PERT

A. El método requiere de la participación de expertos. Esto significa que para hacer una red sobre un área especial no se puede y sobre todo no se debe improvisar la información, la misma debe ser proveída por alguien que haya tenido la experiencia previa. Por ejemplo, para construir y colocar una puerta, es un experto en hacer y colocar puertas quien debe proporcionar la información sobre tiempos y costos, preferiblemente una fábrica de puertas que un carpintero. Para dar la información sobre el lanzamiento de un producto nuevo al mercado se necesita de un experto que haya llevado a cabo lanzamientos de productos nuevos; y así para cualquier actividad ya que dependeremos en grado sumo de esa experiencia para poder armar la red. En caso que no se cuente con alguien que haya tenido la vivencia previa, como podría ser el caso del lanzamiento de una nave tripulada a Júpiter, se construye un modelo experto de simulación, el cual nos permitirá generar, por esta vía, información con cierto grado de confianza.

B. El proyecto que se planifica es único. Esto significa que una red hecha para una casa no se puede usar para otra casa, aunque sea muy semejante (o igual, como se dice en el lenguaje corriente). Hacer varias casas “iguales” es un proyecto que es diferente de un proyecto para hacer una casa y luego repetirlo varias veces.

C. El proyecto que se planifica debe tener claramente establecidas las limitaciones. No debe haber ninguna duda en cuanto a la definición del proyecto y en cuanto a la disponibilidad de tiempo y dinero. El clásico “hágase” sin contemplar el presupuesto disponible o el tiempo máximo que puede usarse, que se da a veces cuando “no hay prisas”, es un veneno mortal para el método CPM-PERT.

METODOLOGÍA DE LA INVESTIGACIÓN DE OPERACIONES

DEFINICIÓN DEL PROBLEMA Y RECOLECCIÓN DE DATOS

La mayor parte de los problemas prácticos con los que se enfrenta el equipo IO están descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del área bajo estudio con otras áreas de la organización, los diferentes cursos de acción posibles, los límites de tiempo para tomar una decisión, etc. Este proceso de definir el problema es crucial ya que afectará en forma significativa la relevancia de las conclusiones del estudio. ¡Es difícil extraer una respuesta "correcta" a partir de un problema "equivocado"!

Por su naturaleza, la investigación de operaciones se encarga del bienestar de toda la organización, no sólo de algunos de sus componentes. Un estudio de IO busca soluciones óptimas globales y no soluciones subóptimas aunque sean lo mejor para uno de los componente. Entonces, idealmente, los objetivos que se formulan debe coincidir con los de toda la organización. Sin embargo, esto no siempre es conveniente. Muchos problemas interesan nada más a una parte de la organización, de manera que el análisis sería innecesariamente besado si los objetivos fueran muy generales y si se prestara atención especial a todos los efectos secundarios sobre el resto de la organización. En lugar de ello, los objetivos usados en un estudio deben ser tan específicos 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 los altos niveles.

Las condiciones fundamentales para que exista un problema es que se establezca una diferencia entre lo que es (situación actual) y lo que debe ser (situación deseada u objetivo) y además exista cuando menos una forma de eliminar o disminuir esa diferencia. Los componentes de un problema son: a) el tomador de decisiones o ejecutivo; b) los objetivos de la organización; c) el sistema o ambiente en el que se sitúa el problema; d) Los cursos de acción alternativos que se pueden tomar para resolverlo.

Para formular un problema se requiere; a) identificar las componentes y variables controlables y no controlables del sistema; b) identificar los posibles cursos de acción, determinados por las componentes controlables; c) definir el marco de referencia dado por las componentes no controlables; d) definir los objetivos que se busca alcanzar y clasificarlos por orden de importancia; e) identificar las interpelaciones importantes entre las diferentes partes del sistema y encontrar las restricciones que existen.

FORMULACIÓN DE UN MODELO MATEMÁTICO

Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su análisis. La forma convencional en que la investigación de operaciones realiza esto es construyendo un modelo matemático que represente la esencia del problema. Antes de analizar como formular los modelos de este tipo, se explorará la naturaleza general de los modelos y, en particular, la de los modelos matemáticos.

El modelo matemático está constituido por relaciones matemáticas (ecuaciones y desigualdades) establecidas en términos de variables, que representa la esencia el problema que se pretende solucionar.

Para construir un modelo es necesario primero definir las variables en función de las cuales será establecido. Luego, se procede a determinar matemáticamente cada una de las dos partes que constituyen

un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente es una función (ecuación) llamada función objetivo; b) las limitantes del problema llamadas restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y obstáculos para la consecución del objetivo.

Un modelo siempre debe ser menos complejo que el problema real, es una aproximación abstracta de la realidad con consideraciones y simplificaciones que hacen más manejable el problema y permiten evaluar eficientemente las alternativas de solución.

Los modelos matemáticos tienen muchas ventajas sobre una descripción verbal del problema. Una ventaja obvia es que el modelo matemático describe un problema en forma mucho más concisa. Esto tiende a hacer que toda la estructura del problema sea más comprensible y ayude a revelar las relaciones importantes entre causa y efecto. De esta manera, indica con más claridad que datos adicionales son importantes para el análisis. También facilita simultáneamente el manejo del problema en su totalidad y el estudio de todas sus interpelaciones. Por último, un modelo matemático forma un puente para poder emplear técnicas matemáticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de software para muchos tipos de modelos matemáticos, para micro y minicomputadoras.

Por otro lado, existen obstáculos que deben evitarse al usar modelos matemáticos. Un modelo es, necesariamente, una idealización abstracta del problema, por lo que casi siempre se requieren aproximaciones y suposiciones de simplificación si se quiere que el modelo sea manejable (susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una representación válida del problema. El criterio apropiado para juzgar la validez de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de acción, para poder tomar una decisión que tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes alternativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bastante preciso. Entonces, todo lo que se requiere es que exista una alta correlación entre la predicción del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante hacer un número considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se haya colocado después en el orden del libro, gran parte del trabajo de validación del modelo se lleva a cabo durante la etapa de construcción para que sirva de guía en la obtención del modelo matemático.

OBTENCIÓN DE UNA SOLUCIÓN A PARTIR DEL MODELO

Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propósito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema.

La selección del método de solución depende de las características del modelo. Los procedimientos de solución pueden ser clasificados en tres tipos: a) analíticos, que utilizan procesos de deducción matemática; b) numéricos, que son de carácter inductivo y funcionan en base a operaciones de prueba y error; c) simulación, que utiliza métodos que imitan o, emulan al sistema real, en base a un modelo.

Muchos de los procedimientos de solución tienen la característica de ser iterativos, es decir buscan la solución en base a la repetición de la misma regla analítica hasta llegar a ella, si la hay, o cuando menos a una aproximación.

PRUEBA DEL MODELO

El desarrollo de un modelo matemático grande es análogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versión, es inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Eventualmente, después de una larga serie de programas mejorados, el programador (o equipo de programación) concluye que el actual da, en general, resultados razonablemente válidos. Aunque sin duda quedarán algunas fallas ocultas en el programa (y quizá nunca se detecten, se habrán eliminado suficientes problemas importantes como para que sea confiable utilizarlo.

De manera similar, es inevitable que la primera versión de un modelo matemático grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones relevantes no se incorporaron al modelo y algunos

parámetros no se estimaron correctamente. Esto no se puede eludir dada la dificultad de la comunicación y la compresión de todos los aspectos y sutilezas de un problema operacional complejo, así como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se pueda. Con el tiempo, después de una larga serie de modelos mejorados, el equipo de IO concluye que el modelo actual produce resultados razonablemente válidos. Aunque sin duda quedarán algunos problemas menores ocultos en el modelo (y quizá nunca se detecten), las fallas importantes se habrán eliminado de manera que ahora es confiable usar el modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validación del modelo.

Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas detalladas del modelo, es sencillo "no ver el bosque por buscar los árboles". Entonces, después de completar los detalles ("los árboles") de la versión inicial del modelo, una buena manera de comenzar las pruebas es observarlo en forma global ("el bosque") para verificar los errores u omisiones obvias. El grupo que hace esta revisión debe, de preferencia, incluir por lo menos a una persona que no haya participado en la formulación. Al examinar de nuevo la formulación del problema y comprarla con el modelo pueden descubrirse este tipo de errores. También es útil asegurarse de que todas las expresiones matemáticas sean consistentes en las dimensiones de las unidades que emplean. Además, puede obtenerse un mejor conocimiento de la validez del modelo variando los valores de los parámetros de entrada y/o de las variables de decisión, y comprobando que los resultados del modelo se comporten de una manera factible. Con frecuencia, esto es especialmente revelador cuando se asignan a los parámetros o a las variables valores extremos cercanos a su máximo o a su mínimo.

Un enfoque más sistemático para la prueba del modelo es emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos históricos y reconstruye el pasado para determinar si el modelo y la solución resultante hubieran tenido un buen desempeño, de haberse usado. La comparación de la efectividad de este desempeño hipotético con lo que en realidad ocurrió, indica si el uso del modelo tiende a dar mejoras significativas sobre la práctica actual. Puede también indicar áreas en las que el modelo tiene fallas y requiere modificaciones. Lo que es más, el emplear las alternativas de solución y estimar sus desempeños históricos hipotéticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de acción.

Cuando se determina que el modelo y la solución no son válidos, es necesario iniciar nuevamente el proceso revisando cada una de las fases de la metodología de la investigación de operaciones.

ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCIÓN

Una solución establecida como válida para un problema, permanece como tal siempre y cuando las condiciones del problema tales como: las variables no controlables, los parámetros, las relaciones, etc., no cambien significativamente. Esta situación

se vuelve más factible cuando algunos de los parámetros fueron estimados aproximadamente. Por lo anterior, es necesario generar información adicional sobre el comportamiento de la solución debido a cambios en los parámetros del modelo. usualmente esto se conoce como análisis de sensibilidad. En pocas palabras, esta fase consiste en determinar los rangos de variación de los parámetros dentro de los cuales no cambia la solución del problema.

IMPLANTACIÓN DE LA SOLUCIÓN

El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. Una vez superado éste obstáculo, se debe traducir la solución encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operación y administración del sistema. La etapa de implantación de una solución se simplifica en gran medida cuando se ha propiciado la participación de todos los involucrados en el problema en cada fase de la metodología. Preparación para la aplicación del modelo

Esta etapa es crítica, ya que es aquí, y sólo aquí, donde se cosecharán los beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solución que salga a la luz en este momento.

El éxito de la puesta en práctica depende en gran parte del apoyo que proporcionen tanto la alta administración como la gerencia operativa. Es más probable que el equipo de IO obtenga este apoyo si ha mantenido a la administración bien informada y ha fomentado la guía de la gerencia durante el estudio. La buena comunicación ayuda a asegurar que el estudio logre lo que la administración quiere y por lo tanto merezca llevarse a la práctica. También proporciona a la administración el sentimiento de que el estudio es suyo y esto facilita el apoyo para la implantación.

La etapa de implantación incluye varios pasos. Primero, el equipo de investigación de operaciones de una cuidadosa explicación a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relación con la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operación. La gerencia operativa se encarga después de dar una capacitación detallada al personal que participa, y se inicia entonces el nuevo curso de acción. Si tiene éxito, el nuevo sistema se podrá emplear durante algunos años. Con esto en mente, el equipo de IO supervisa la experiencia inicial con la acción tomada para identificar cualquier modificación que tenga que hacerse en el futuro.

A la culminación del estudio, es apropiado que el equipo de investigación de operaciones documento su metodología con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una réplica debe ser parte del código de ética profesional del investigador de operaciones. Esta condición es crucial especialmente cuando se estudian políticas gubernamentales en controversia.

DIAGNOSTICO

Planeación de la ProducciónDistribuciónAsignación de recursos limitadosInventariosProgramación de ActividadesPronósticos de DemandaMedio AmbienteAnálisis de Líneas de EsperaAnalisis de Sistemas de Producción

Que el área de sistemas lo proporcione

Información Cuantitativa y Cualitativa del Sistema bajo estudio

Programación LinealSoluciones

Reales

Programación Lineal Entera

Soluciones Enteras

Programación Lineal por metas

Soluciones en orden de prioridad

Programación Dinámica

Soluciones en Etapas continuas

Optimización de Redes

Soluciones orientadas a la distribución óptima

Control de Inventarios

Soluciones por etapas (n+1)

PronósticosComportamiento futuro sistema basado en datos históricos

Teoría de Colas

Determinación de tiempos de espera y longitud de la cola promedio

Simulación de SistemasEstimación de las medidas de desempeño del sistema modelado

Seleccionar el Modelo

Modelos Deterministicos Modelos Estocásticos

HERRAMIENTAS DE INVESTIGACIÓN DE OPERACIONES

TIPOS DE PROBLEMAS

Alumnos capaces de definir un problema

Mapa conceptual del área de Operaciones

MODELIZACIÓN

2.1.- MODELOS: CLASIFICACIÓN

En numerosas ciencias, entre ellas la Economía, se hace necesario el estudio y análisis de fenómenos del mundo real, y por ello se hace necesaria la aplicación del método científico a este estudio. Como acabamos de ver con anterioridad una de las fases de la aplicación del método científico se basa en la construcción de modelos o formulación de hipótesis. En nuestro caso nos centraremos en la construcción de modelos. Aunque hay numerosas acepciones y definiciones de un modelo, hemos elegido la de Aracil (1): “Un modelo constituye una representación abstracta de un cierto aspecto de la realidad, y tiene una estructura que esta formada por los elementos que caracterizan el aspecto de la realidad modelada y por las relaciones entre estos elementos".A partir de este concepto de modelo se pueden obtener distintas clasificaciones (icónico, analógicos, simbólicos, etc.), sin embargo, solo estamos interesados en los modelos matemáticos, es decir, los modelos formales basados en la lógica matemática, y se basan en un conjunto de relaciones matemáticas (tales como ecuaciones, inecuaciones, relaciones lógicas, etc.) que se corresponden con las relaciones del mundo real (tales como relaciones tecnológicas, leyes físicas, restricciones del mercado, etc.). La importancia de la construcción de los modelos matemáticos en la Economía es evidente, no obstante vamos a enumerar algunas de ellas (2):

1) La construcción de modelos revela, a veces, relaciones que no son evidentes a primera vista. Este resultado se alcanza con el mejor conocimiento que se adquiere cuando se empieza a modelar, es decir, cuando mejor se va conociendo la realidad del fenómeno que se intenta representar.

2) Una vez construido el modelo matemático, es posible extraer de él propiedades y características de las relaciones entre los elementos que de otra forma permanecerían ocultas. También, es posible representar situaciones complejas que no son admisibles en otro tipo de modelos, y no sólo es esa posibilidad de modelización, sino también la de resolución del mismo, aunque no sea una solución analítica sino numérica (realizada por un ordenador).

3) En la mayoría de las situaciones económicas del mundo real, no es factible experimentar con la realidad, ya que puede ser prohibitivamente caro, peligroso ó hasta, imposible. Por ejemplo, si se intenta conocer el impacto de la puesta en práctica de una determinada acción de Política Económica en un determinado país.

En este caso para evaluar las consecuencias se construye un modelo donde se puedan analizar los resultados en diversas situaciones con un coste prácticamente nulo y sin riesgos sociales ni económicos.Es importante resaltar que un modelo esta realmente definido por las relaciones que incorpora. Estas relaciones son independientes de los datos a introducir en el modelo, ya que un modelo puede ser usado para diferentes ocasiones y en varios contextos diferentes.Aunque acabamos de ver algunas de las ventajas de la modelización, sobre el uso de los modelos en la economía hay posturas diferentes, por una parte están las personas que ponen en tela de juicio la validez de los modelos, en tanto en cuanto, no son capaces de cuantificar muchas instancias de los problemas reales, por ejemplo, el coste o la utilidad social. Otros niegan su utilidad basándose en el grado de precisión de los datos a incorporar al modelo matemático. Pero frente a estos, en el otro extremo están los fervientes defensores de la modelización total para la toma de decisiones, en este caso convendría resaltar que la calidad de las respuestas que produce el modelo, depende obviamente, de la seguridad de su estructura y de los datos a él incorporados, y que una excesiva confianza en ellos es peligroso.No vamos a entrar en esta polémica, sino que lo único que queremos es poner de manifiesto que los modelos deben usarse como una herramienta más para la toma de decisiones y que deben valorarse en su justa medida, ya que difícilmente es comprensible un problema complejo sin una mínima modelización, aunque también hay que reconocer que no es posible modelar la totalidad de las situaciones reales.Con anterioridad nos hemos referido a tipos de modelos basados en sus formas de representación(Icónico, analógicos, simbólicos), no obstante podemos establecer otros tipos de clasificaciones de los modelos matemáticos:

Clasificados según su función:

Modelos predictivos: Este tipo de modelos nos informan del comportamiento de la variable en un futuro, es decir, lo que debería ser. A este tipo de modelos corresponden aquellos basados en técnicas estadísticas y/o econométricas, es decir, modelos de previsión.

Modelos evaluativos: Una técnica evaluativa corresponde a medir las diferentes alternativas, y así poder comparar los resultados de ellas. Este tipo de modelos se corresponden con los denominados arboles de decisión.

Modelos de optimización: Se trata de modelos que tratan de identificar un óptimo (por lo general, el optimo global) del problema, es decir, buscan la mejor de las alternativas posibles. Estos métodos son los que están basados en las técnicas de programación matemática.

Otra clasificación de los modelos se basa en la realidad que pretender modelar, así podemos hablar de:Modelos deterministas versus modelos estocásticos. En los modelos deterministas todos los datos del problema se conocen con absoluta certeza, mientras que cuando esto no es así tenemos los modelos estocásticos. Por lo general los modelos más realistas son los modelos estocásticos, pero tienen la dificultad de poderlos resolver adecuadamente, y muchas de las técnicas aplicables a los modelos estocásticos tratan de reducir el problema a su versión determinista para poderlo resolver.Modelos estáticos versus modelos dinámicos. En un modelo estático la variable tiempo no desempeña un papel relevante, mientras que en los modelos dinámicos la variable fundamental, y de la que dependen las restante variables relevantes. Además, la variable tiempo se considera como una variable continua.Una vez establecida una serie de clasificaciones de los modelos, es conveniente plantear una medida de su solución, ya que el objetivo de plantear el modelo es el poderlo resolver y extraer de la solución los resultados necesarios para la toma de decisiones. El nivel de resolubilidad de los problemas es función de tres características fundamentales:

a) El tamaño del problema: El numero de variables y ecuaciones que contiene. Cuanto mayor sea este número, más difícil de resolver es.

b) La clase del problema: Lineal, Entero y No lineal, y además por ese orden, es decir, los problemas lineales son "fácilmente" resolubles, mientras que los no lineales son "intrínsecamente" difíciles de resolver.

c) El tipo de instancias utilizadas: Ciertas o deterministas, con riesgo (conocemos las probabilidades de ocurrencia),con incertidumbre (conocemos los resultamos posibles pero no las probabilidades de ocurrencia) y turbulencia ( no conocemos nada).

2.2.- FASES DEL PROCESO DE MODELIZACIÓN

Acabamos de exponer algunas ideas generales sobre los modelos. Interesa, ahora, resaltar brevemente cuales son, en general, las etapas a seguir para llegar a construir un buen modelo:1. Fase de Conceptualización. Llegar a tener un profundo conocimiento de la realidad que se trata de

modelar, es decir, ser capaces de representar conceptualmente el problema sin ningún tipo de contradicciones lógicas ni de errores de análisis.

2. Fase de Formalización. Establecer de forma clara y correcta (desde el punto de vista matemático) las relaciones entre los elementos, de tal forma que, además, sea fácilmente entendible y que puedan detectar rápidamente los errores. El éxito de esta fase depende, obviamente, de que se haya establecido correctamente la fase anterior.

3. Fase de Evaluación. En esta fase, además de establecer la forma en la que debe ser el procedimiento de resolución a emplear, será posible interpretarlo correctamente.

Para la aplicación práctica para modelar un problema de optimización podemos seguir las siguientes reglas basadas en la experiencia:

a) Análisis del problema. Buscar o intuir los deseos del decisor ( a veces no es la misma persona) de forma que se establezca claramente cuál es el objetivo que se persigue, que limitaciones existen, etc. Todo ello debe tenerse en cuenta aunque no esté formalizado, sino simplemente una relación de las diferentes condiciones.

b) Definición de las variables, es decir, identificar las posibles decisiones. Esta es una de las fases críticas de la modelización, por ello es conveniente prestar mucha atención a esta definición.Esta fase hay que identificar (e interpretar el significado) y denominar a las variables. Este segundo aspecto, aunque puede parecer trivial es también de gran importancia. Hay que denominar a las variables de forma que sean fácilmente reconocibles, es decir, que nos indique que quieren representar. Muchas veces, se denominan a las variables, por sencillez, x1 , x2 , xb , etc., pero estos nombre no nos informan de forma inmediata de su significado, por ello es conveniente denominarlas de forma más coherentes, por ejemplo, si queremos identificar la cantidad de madera necesaria para producir mesas la podríamos denominar MADMESA en lugar de x2. La elección del nombre debe ajustarse a las características del decisor, y también a la longitud de caracteres admisibles por los programas de ordenador que resuelven estos problemas, por lo general sería admisible un nombre de hasta ocho caracteres. A la hora de identificar las variables tenemos que tomar en consideración si las

variables son deterministas o estocásticas, si son endógenas o exógenas, etc., es decir, antes que clase de variables vamos a tratar en el problema.

c) Identificación y formalización de las restricciones. Esta es también una fase importante, posteriormente realizaremos algunos comentarios sobre esta fase al hablar de los problemas no lineales. Se trata en definitiva de identificar cuáles son las limitaciones a las que está sujeto el problema, y el plantearlas matemáticamente. A veces esto no resulta muy sencillo. En esta fase hay que denominar e identificar a las restricciones con los nombre adecuados, de forma que sea fácil interpretar los resultados obtenidos.

d) Por último, hay que identificar la función objetivo, es decir, la cuantificación de los resultados que se desean alcanzar. Aunque no en todos los problemas es inmediato definir el objetivo, siempre es posible encontrar una función que permita evaluar los resultados de cada una de las acciones.

Para verificar estas condiciones, seguidamente abordaremos algunas consideraciones para llegar a concretar las fases enumeradas anteriormente, estos pasos son simplemente una derivación de las reglas del sentido común aplicadas a la construcción de los modelos.En primer lugar, abordaremos algunos aspectos importantes sobre los modelos lineales, lo más usuales en el campo económico, para posteriormente ir aumentando la complejidad vía los modelos discretos y los modelos no lineales. No obstante, estos principios generales se concretaran para el caso más general de los problemas no lineales.

2.3.- REGLAS BÁSICAS DE MODELIZACIÓN

De curso anterior ya tenemos una serie de ideas básicas sobre los modelos, aunque ahora nos interesa profundizar en algunos aspectos que se trataron de una forma superficial. Los modelos lineales son aquellos en los que tanto la función objetivo como las restricciones son funciones lineales y por tanto son susceptibles de resolverse a través de la programación lineal. Estos modelos, son los más conocidos y los más usados en las aplicaciones económicas, y por tanto no vamos a extendernos mucho sobre este aspecto, sino simplemente resaltaremos las hipótesis básicas sobre las que se asientan este tipo de modelos. La primera hipótesis es la divisibilidad, es decir, todas las variables del modelo pueden tomar cualquier valor real. A efectos prácticos, si una variable no es infinitamente divisible, pero su nivel de actividad normal es muy grande en términos de sus unidades de medida, la suposición de divisibilidad puede servir como aproximación conveniente.La segunda hipótesis es la de linealidad, estos significa:a) Proporcionalidad en las contribuciones. La contribución individual de cada variable es estrictamente

proporcional a su valor, y el factor de proporcionalidad es constante para todo el rango de valores que la variable puede tomar.

b) Aditividad de las contribuciones. La contribución total de todas las variables es igual a la suma de las contribuciones individuales independientemente de los valores de las variables.

La tercera hipótesis, aplicable fundamentalmente a los problemas económicos, es la no negatividad de las variables del problema. Esta hipótesis, no es en si absolutamente necesaria, ya que para problemas más generales donde las variables puedan tomar cualquier valor, es decir, lo que se conoce como variables libres, estas pueden expresarse como diferencia de dos variables restringidas a tomar valores no negativos.Al ir eliminando algunas de esta hipótesis básicas de los modelos lineales aparecen los casos más generales, por una parte los modelos discretos o enteros que surgen al suprimir la hipótesis de divisibilidad, y por otra parte los modelos no lineales, los cuales tienen su origen al relajar la condición de linealidad de las relaciones.Los modelos enteros, como hemos dicho anteriormente, surgen al eliminar la hipótesis primera de los modelos lineales, es decir, al exigir que las variables tomen solo valores enteros. En este caso aparece la denominada programación discreta o entera, y en el caso de mantener la hipótesis de linealidad, tenemos su representación más característica que son los modelos lineales y enteros, Vamos a considerar una serie de reglas generales, aplicables tanto a los problemas lineales, enteros o no lineales, y posteriormente se hará hincapié en algunas reglas especificas para modelos particulares.Vamos a enumerar algunas de las situaciones y condiciones que deben tenerse en cuanta a la hora de construir modelos enteros (3) y modelos no lineales (4)1. Formular, primero, un modelo sencillo e ir agregándole características en consonancia con la dirección

de optimización deseada.Un modelo a optimizar debe ser desarrollado buscando un equilibrio razonable entre la seguridad en el modelo (lo que usualmente implica añadir complejidad a la formulación) y la facilidad de optimización. Esto puede conseguirse utilizando un procedimiento de optimización sobre versiones cada vez más complejas del modelo, es decir, en forma de un refinamiento 'paso a paso'. Con ello se consigue que

los efectos sobre el modelo de la introducción de mayor complejidad puedan ser de alguna forma "visualizados", y poder así descubrir mucho antes las dificultades importantes que si el modelo se plantea de forma directa en su versión más completa. Este procedimiento iterativo de la construcción de modelos esta especialmente indicado cuando tenemos que modelar un sistema con algunos subsistemas interconectados, y en los cuales cada uno de ellos requiere extensos cálculos.En el caso particular de los modelos enteros, antes de decidir la construcción de un modelo entero, debe hacerse una estimación del tamaño potencial, ya que si el número de variables enteras es de algunos cientos y el modelo no tiene alguna estructura especial, es probable entonces que el programa entero sea demasiado costoso de resolver.(Conviene resaltar que los problemas enteros son no polinomiales, es decir, que el tiempo de resolución crece de forma exponencial con relación al número de restricciones, pero especialmente con relación al número de variables enteras que contenga el modelo).Véase a este respecto, el anexo de este capítulo.También en los problemas enteros, si el modelo construido resulta demasiado difícil de resolver por los métodos generales de programación entera, es posible a veces recurrir a los denominados métodos heurísticos que en determinadas ocasiones pueden producir aproximaciones bastante buenas para los problemas de grandes dimensiones.

2. Evitar definir en un modelo funciones que sean el resultado de algún procedimiento iterativo (como la solución de una ecuación diferencial o la resolución de una integral). Las funciones del modelo definidas por un procedimiento iterativo son, a menudo, una fuente de discontinuidades que pueden impedir el avance de los procesos de optimización. La solución de estos subproblemas (aunque sea posible definirla con una precisión total) requiere un considerable esfuerzo computacional, y esto puede considerarse como un despilfarro, dado que la integral, la ecuación diferencial, etc., solo es una aproximación de algún fenómeno social más complicado. Por ello, una estrategia a seguir en este caso consiste en discretizar el problema antes de aplicar el procedimiento de optimización, ya que las soluciones exactas de los problemas continuos se encuentran por refinamientos en la discretización entre las optimizaciones. Como pone de manifiesto esta estrategia se ve, nuevamente, lo valioso de intercalar modelización y optimización, puesto que la obtención de un grado creciente de exactitud es simplemente un proceso de modelización.

3. Tomar con precaución la naturaleza de las restricciones. Es importante analizar la naturaleza de las restricciones que intervienen en el problema con el fin de extraer de ellas sus propiedades para mejorar la eficacia de los métodos de optimización que debemos usar.A la hora de construir un modelo debemos separar las restricciones lineales, no lineales y de acotación, no solo para poder analizar mejor el modelo, sino también para servirnos de orientación acerca del software que debemos usar en cada caso concreto. Debemos, evitar la transformación de un tipo de restricciones en otro. La transformación de un problema de una forma a otra era en el pasado, a veces, inevitable cuando los algoritmos para la optimización no restringida eran más numerosos y más efectivos que los algoritmos de optimización restringida. Era una practica común, por ejemplo, en el caso de las restricciones de acotación es el transformarlas mediante un cambio de variable. No obstante, hoy por hoy, esta practica no es aconsejable y es más bien perjudicial, ya que los algoritmos para problemas con solamente restricciones de acotación simple o de cota generalizada son más eficientes que los algoritmos para problemas no restringidos. Y además, en la actualidad se tiende a incorporar restricciones de acotación sobre las variables con el fin de acelerar el proceso.En el caso de problemas enteros, realizar un examen en profundidad de la estructura del programa entero puede resultar muy valioso. Puede ser, por ejemplo, un modelo de problema entero puro con una estructura unimodular, y en este caso podría usarse la programación lineal, la cual en un tiempo razonable resuelve un problema con miles de variables y restricciones. Si el problema no tiene una estructura unimodular pero es parecida, seria posible transformarlo, y en este caso siempre podría recurrirse a la literatura y a la experiencia computacional para informarse acerca de la naturaleza y de las dificultades de los problemas con estructura similar.

4. No evitar las restricciones de igualdad. En este caso, no se trata tanto de convertir las restricciones lineales de igualdad en dos restricciones de desigualdad con signos opuestos, sino que se trata más bien de poner de manifiesto una práctica que también era habitual antaño.El procedimiento era el siguiente: las variables se dividían en dos conjuntos, las variables "independientes" y las variables "dependientes", de tal modo que la optimización se realizaba únicamente con las variables independientes y las variables dependientes se

determinaban al "resolver" las restricciones de igualdad, es decir encontrando la solución a ese sistema de ecuaciones no lineales formado por las variables dependientes una vez hallados los valores de las otras variables.Esta práctica, que como hemos dicho era habitual antaño debido a las deficiencias del software, en la actualidad es de todo punto inviable no solo por lo erróneo del procedimiento sino también porque el esfuerzo computacional que requiere no compensa la realización de la optimización completa.

5. Distinguir entre las restricciones "hard" y "soft".

Se denota, por lo general, restricciones "hard" a aquellas restricciones que no es posible violarlas, mientras que por restricciones "soft" se denotan aquellas restricciones en las que esta permitido que puedan violarse, si con ello se consigue una mejora sustancial, tanto en el modelo como en el procedimiento de optimización. Por ejemplo, en un modelo de planificación de la producción la disponibilidad de espacio de la planta seria una restricción del tipo "hard", es decir que no puede violarse, mientras que las disponibilidades de mano de obra no especializada seria una restricción "soft", restricción que podría violarse contratando a nuevos trabajadores a corto plazo.En general, las restricciones "soft" suponen un coste por la violación, por tanto, se trata de evaluar el coste de esa violación en términos de mejora de la función, y por ello, también se introducen variables de desviación para poder evaluar este impacto. Una consideración sobre la introducción de estas variables la podremos ver en el capitulo dedicado a la optimización con objetivos múltiples.6.- Evitar crear modelos que tengan restricciones de igualdad similares, es decir, que sean casi dependientes.El plantear modelos con restricciones que sean muy similares puede provocar que al introducir pequeñas variaciones en los datos del modelo se produzca una distorsión muy grande en los resultados esperados del modelo. Recuérdese que los puntos factibles del modelo se obtienen de la intersección de todas las restricciones, cuando dos restricciones son casi dependientes se convierten en casi paralelas, con lo que ello significa de alteración de las posibles soluciones, para ilustrar este caso consideremos el siguiente pequeño ejemplo, de un sistema lineal de dos ecuaciones con dos incógnitas:Sea el sistema: x + y = 2 x + 1,0001 y = 2

este sistema tiene como solución : x = 2 e y = 0.Pero consideremos ahora una pequeña variación en el termino independiente de la segunda restricción, es decir, que en lugar de ser 2 sea 2,0001, el nuevo sistema es:

x + y = 2 x + 1,0001 y = 2,0001

este sistema tiene como solución: x = 1 e y = 1, notablemente distinta de la anterior. Por tanto, en la medida de lo posible debemos evitar el construir en el modelo este tipo de restricciones.La razón está en que el determinante de la matiz esta muy próximo al valor cero, es decir, es una matriz casi-singular.7.- Usar toda la información disponible sobre el problema para el escalamiento de las variables y las restricciones. La escala de un problema es la medida de la importancia de las variables y las restricciones, es decir, es una magnitud que nos informa de que es "grande" o "pequeño" en el modelo, es decir, de lo importante o no que puede resultar una variable o una restricción en el conjunto del modelo.Es importante resaltar la trascendencia respecto de la correcta resolución del modelo, el que tanto las variables como las restricciones estén perfectamente escaladas, es decir, este correctamente ponderada su importancia. Ello significa, tomando como ejemplo una variable, que si el valor que se espera pueda tomar al resolver el modelo tenga un numero significativo de dígitos (por ejemplo, la variable representa varios miles de millones de pesetas) en este caso seria conveniente que en lugar de expresar la variable en bolívares se expresase en millones de bolívares, con ello se evita la perdida de significación que se produce por la necesidad de almacenamiento en los ordenadores. Un caso similar, pero de significado opuesto ocurre cuando la magnitud de la variable es infinitesimal. Por ejemplo, en un problema de mezcla cuando la magnitud de la variable es de orden de 10 (6), en este caso el considerar la variable en su valor normal puede producir errores ya que el ordenador puede considerar este valor, significativo para el análisis, como cero si es inferior a la condición de tolerancia de factibilidad definida, y por ello seria conveniente amplificar su valor tomando el significado de la variable como millonésimas partes. El obviar estas consideraciones puede repercutir negativamente en la exactitud de la solución. Hay que notar que estas transformaciones tendrán un efecto posterior sobre otras magnitudes del la solución , por ello hay que tener la precaución de una vez resuelto el problema interpretar correctamente los resultados y las posibles implicaciones.

Un ejemplo de este tipo de escalamiento, así como su correcta interpretación lo analizaremos con posterioridad al ver algunas aplicaciones de la programación lineal. 8.- Verificar cuidadosamente todos los datos introducidos en el problema.La introducción de datos es la fuente de la mayoría de los errores que se producen en la resolución de los problemas, por ello habrá que revisar varias veces, y a ser posibles por persona distinta, todos los datos introducidos en el problema, ya que se trata de los errores de más difícil detección y con ello la generación de soluciones no adecuadas al fin perseguido es muy común.

En el caso de los problemas no lineales, tendremos que añadir una serie de reglas adicionales a las expuestas con anterioridad.1. Intentar modelizar con funciones que sean diferenciables

Posiblemente, la propiedad más importante de las funciones en los modelos con respecto a la facilidad de optimización sea la diferenciabilidad, esto es importante ya que la mayoría de los algoritmos están basados sobre el uso de la información disponible en un punto para deducir su comportamiento en otros puntos. Si las funciones del modelo son de clase C (2), la capacidad de un algoritmo para localizar las soluciones óptimas se ve muy favorecida en comparación con los modelos similares, donde las funciones son no diferenciables. Otra de las ventajas de modelar funciones diferenciables, esta relacionada con la convergencia propia de cada algoritmo, así como con la precisión tanto de la función como de la precisión relativa de las maquinas sobre las que se va a resolver el problema.

2. Tratar de obtener la mayor cantidad de información posible sobre la función. De forma que podamos tomar en consideración la mayoría de las propiedades importantes de cara al proceso de optimización posterior. Como ya hemos dicho anteriormente, una de las propiedades deseables es construir funciones que sean diferenciables, de forma que se puedan usar algoritmos diferenciales en el proceso. Otra de las características importantes a conseguir seria que la función verifique alguna propiedad relacionada con la convexidad para así poder tener un mayor numero de elementos de juicio acerca de la naturaleza y calidad de la solución.

3. Verificar cuidadosamente las funciones del problema, así como una correcta determinación de un punto de partida.Antes de empezar el proceso de optimización con el algoritmo especificado es absolutamente necesario verificar la correcta introducción de las funciones que haya definido el usuario, ya que ello proporciona el error más común.

Tales errores no son nunca pequeños, y ningún algoritmo puede funcionar correctamente ente la presencia de inexactitudes en la evaluación de dichas magnitudes. Así mismo, todos los algoritmos necesitan de un punto de partida para iniciar la búsqueda del optimo, por ello es vital elegir un buen punto de partida, o mejor dicho, no partir de un mal punto. Podemos denominar puntos de partida "malos" aquellos que producen algún problema en la función, por ejemplo, puntos donde se anula alguna derivada, punto donde no esta definida la función, etc.

2.4.- COMPLEJIDAD

Vamos a describir el tamaño y el tiempo de resolución en los problemas enteros-binarios. Así, por ejemplo, consideremos un problema con el siguiente número de variables:Si hay una variable binaria el número de posibles soluciones es 2. Si tenemos dos variables el numero de soluciones es 2^2 = 4. Si las variables son tres, las soluciones son 2^3 = 8, y así sucesivamente, de la forma 2^n. Muchas veces no somos conscientes de la numerabilidad de las soluciones, así como de su dificultad.Por ejemplo, si tenemos un problema con 10 variables binarias, el numero de soluciones posibles es de 2^10 = 1.024.Si duplicamos las variables, es decir, tenemos 20variables, el número de posibles soluciones es de 2^20 = 1.048.576.Si observamos que el número de variables se ha multiplicado por 2 el número de posibles soluciones se ha multiplicado por 1.024.No obstante, creo que merece la pena analizar un poco mas el tema de la complejidad de los problemas. Supongamos que tenemos un problema con 100 variables binarias (de tamaño pequeño -medio). Como ya sabemos, el número de posibles soluciones es de 2^100. Parece un número grande pero no sabemos cuánto, si lo transformamos en potencia de 10, tenemos: 1,26765E+30, es decir un numero con 30 cifras. Parece grande, pero veamos realmente lo difícil que resulta analizar todas las soluciones. Para ello supongamos que disponemos de un ordenador capaz de analizar todas las combinaciones posibles. Ese ordenador será un CRAY-1, se trata de un tipo de supercomputador que de manera informal se utiliza para

poder comparar la velocidad de las operaciones de los supercomputadores. Este ordenador es capaz de analizar 1000 millones de operaciones por segundo, es decir, se trata de un ordenador capaz de evaluar1000 millones de posibles soluciones del problema binario con 100 variables. La pregunta es cuánto tiempo tardaría este superordenador en evaluar todas las posibles soluciones: 10 minutos, 15 días, 3 meses, cuanto?. La respuesta son simples operaciones.Si en un segundo es capaz de analizar 100 millones, es decir, 1E+9. Bastara con dividir el número de posibles soluciones por 1E+9, y ver cuantos segundos son:1,26765E+30 / 1E+9 = 1,26765E+22 segundos.Si transformamos esos segundos en minutos tenemos: 1,26765E+22 / 60 = 2,11275E+20 minutosSi transformamos los minutos en horas tenemos:2,11275E+20 / 60 = 3,52125E+18 horas.Así sucesivamente, pero ya vemos que el número de horas es grande, pero hasta cuanto tiempo sería necesario. La respuesta es 4.075.523 millones de siglos. Si tenemos en cuanta que el Big Bang (origen del universo fue entre 12.000 y 20.000 millones de siglos), podemos llegar a la conclusión que aun disponiendo de un superodenador desde el comienzo de los tiempos, aun nos faltarían varios millones de millones de siglos para poder evaluar todas las soluciones de un problema de 100 variables binarias.Si mejoramos es ordenador y este es capaz de realizar 100 BILLONES de operaciones ( es decir 100 millones de millones de operaciones), es este caso la cosa mejora notablemente ya que en este caso solamente son necesarios 4 millones de siglos.