Introduccin

La Investigacin de Operaciones o Investigacin Operativa1, es una rama

de las Matemticas consistente en el uso de modelos matemticos, estadstica
y algoritmos con objeto de realizar un proceso de toma de decisiones.
Frecuentemente, trata del estudio de complejos sistemas reales, con la
finalidad de mejorar (u optimizar) el funcionamiento de los mismos. La
investigacin de operaciones permite el anlisis de la toma de decisiones
teniendo en cuenta la escasez de recursos, para determinar cmo se puede
optimizar un objetivo definido, como la maximizacin de los beneficios o la
minimizacin de costes.
En la presente monografa se pretende desarrollar la aplicacin especfica de la
Investigacin de Operaciones al problema de transporte, iniciando para ello en
el captulo 1, con una aproximacin al origen de la Investigacin de
Operaciones, sus orgenes militares y su aplicacin humanstica sin carcter
blico a las actividades de desarrollo humano. Como se define a la
Investigacin de Operaciones, su metodologa y sus principales herramientas.
En el captulo 2, se desarrollan los pasos generales para la construccin de
modelos, sus distintas clasificaciones y los pasos para la construccin de
modelos.
En el captulo 3, se desarrolla de manera ms especfica el Problema de
Transporte, planteando tres mtodos para encontrar la solucin inicial bsica
factible, los cuales son: el mtodo de la Esquina Noroeste, el mtodo del Costo
mnimo y el mtodo de Aproximacin de Vogel. Se describe a su vez como se
puede aplicar el software WINQSB para resolver el problema de Transporte
mediante un ejemplo y el enorme potencial del mismo para resolver otros tipos
de problemas de Investigacin de Operaciones, los cuales no se desarrollan.

http://es.wikipedia.org/wiki/Investigaci%C3%B3n_de_operaciones

Captulo 1 Origen de la Investigacin de

Operaciones

1.1 Origen y naturaleza de la Investigacin de Operaciones2

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 solucin y evaluarlas hasta seleccionar la que le parece
mejor, este proceso puede ser 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 prctica. En
muchas ocasiones este proceso basta para tomar buenas decisiones. El
enfoque cuantitativo requiere habilidades que se obtienen del estudio de
herramientas matemticas que le permitan a la persona mejorar su efectividad
en la toma de decisiones. Este enfoque es til cuando no se tiene experiencia
con problemas similares o cuando el problema es tan complejo o importante
que requiere de un anlisis exhaustivo para tener mayor posibilidad de elegir la
mejor solucin. La investigacin de operaciones proporciona a los tomadores
de decisiones bases cuantitativas para seleccionar las mejores decisiones y
permite elevar su habilidad para hacer planes a futuro. En el ambiente
socioeconmico actual altamente competitivo y complejo, los mtodos
tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles
ya que los responsables de dirigir las actividades de las empresas e
instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez
que requieren de soluciones creativas y prcticas apoyadas en una base
cuantitativa slida. En organizaciones grandes se hace necesario que el
tomador de decisiones tenga un conocimiento bsico de las herramientas
cuantitativas que utilizan los especialistas para poder trabajar en forma
estrecha con ellos y ser receptivos a las soluciones y recomendaciones que se
le presenten.
En organizaciones pequeas puede darse que el tomador de decisiones
domine las herramientas cuantitativas y l mismo las aplique para apoyarse en
ellas y as tomar sus decisiones. Desde al advenimiento de la Revolucin
Industrial, el mundo ha sido testigo de un crecimiento sin precedentes en el

http://www.itson.mx/dii/elagarda/apagina2001/PM/uno.html#historia

tamao y la complejidad de las organizaciones. Los pequeos talleres

artesanales se convirtieron en las corporaciones actuales de miles de millones
de pesos. Una parte integral de este cambio revolucionario fue el gran aumento
en la divisin del trabajo y en la separacin de las responsabilidades
administrativas

en

estas

organizaciones.

Los

resultados

han

sido

espectaculares. Sin embargo, junto con los beneficios, el aumento en el grado

de especializacin creo nuevos problemas que ocurren hasta la fecha en
muchas empresas. Uno de estos problemas es la tendencia de muchas de las
componentes de una organizacin a convertirse en imperios relativamente
autnomos, con sus propias metas y sistemas de valores, perdiendo con esto
la visin de la forma en que encajan sus actividades y objetivos con los de toda
la organizacin. Lo que es mejor para una componente, puede ir en detrimento
de otra, de manera que pueden terminar trabajando con objetivos opuestos. Un
problema relacionado con esto es que, conforme la complejidad y la
especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a
las diferentes actividades de la manera ms eficaz para la organizacin como
un todo. Este tipo de problemas, y la necesidad de encontrar la mejor forma de
resolverlos, proporcionaron el ambiente adecuado para el surgimiento de la
INVESTIGACIN DE OPERACIONES (IO). Las races de la investigacin de
operaciones se remontan a muchas dcadas, cuando se hicieron los primeros
intentos para emplear el mtodo cientfico en la administracin de una
empresa. Sin embargo, el inicio de la actividad llamada investigacin de
operaciones, casi siempre se atribuye a los servicios militares prestados a
principios de la segunda guerra mundial. Debido a los esfuerzos blicos, exista
una necesidad urgente de asignar recursos escasos a las distintas operaciones
militares y a las actividades dentro de cada operacin, en la forma ms
efectiva. Por esto, las administraciones militares americana e inglesa hicieron
un llamado a un gran nmero de cientficos para que aplicaran el mtodo
cientfico a ste y a otros problemas estratgicos y tcticos. De hecho, se les
pidi que hicieran investigacin sobre operaciones (militares). Estos equipos de
cientficos fueron los primeros equipos de IO. Con el desarrollo de mtodos
efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del
combate areo ingls. A travs de sus investigaciones para mejorar el manejo
de las operaciones antisubmarinas y de proteccin, jugaron tambin un papel
5

importante en la victoria de la batalla del Atlntico Norte. Esfuerzos similares

fueron de gran ayuda en a isla de campaa en el pacfico. Al terminar la guerra,
el xito de la investigacin de operaciones en las actividades blicas gener un
gran inters en sus aplicaciones fuera del campo militar. Como la explosin
industrial segua su curso, los problemas causados por el aumento en la
complejidad y especializacin dentro de las organizaciones pasaron de nuevo a
primer plano. Comenz a ser evidente para un gran nmero de personas,
incluyendo a los consultores industriales que haban trabajado con o para los
equipos de IO durante la guerra, que estos problemas eran bsicamente los
mismos que los enfrentados por la milicia, pero en un contexto diferente.
Cuando comenz la dcada de 1950, estos individuos haban introducido el
uso de la investigacin de operaciones en la industria, los negocios y el
gobierno. Desde entonces, esta disciplina se ha desarrollado con rapidez. Se
pueden identificar por lo menos otros dos factores que jugaron un papel
importante en el desarrollo de la investigacin de operaciones durante este
perodo. Uno es el gran progreso que ya se haba hecho en el mejoramiento de
las tcnicas disponibles en esta rea. Despus de la guerra, muchos cientficos
que haban participado en los equipos de IO o que tenan informacin sobre
este trabajo, se encontraban motivados a buscar resultados sustanciales en
este campo; de esto resultaron avances importantes.
Un ejemplo sobresaliente es el mtodo simplex para resolver problemas de
programacin lineal, desarrollado en 1947 por George Dantzing. Muchas de las
herramientas caractersticas de la investigacin de operaciones, como
programacin lineal, programacin dinmica, lneas de espera y teora de
inventarios, fueron desarrolladas casi por completo antes del trmino de la
dcada de 1950. Un segundo factor que dio mpetu al desarrollo de este campo
fue el advenimiento de las computadoras. Para manejar de una manera
efectiva los complejos problemas inherentes a esta disciplina, por lo general se
requiere un gran nmero de clculos. Llevarlos a cabo a mano puede resultar
casi imposible. Por lo tanto, el desarrollo de la computadora electrnica digital,
con su capacidad para realizar clculos aritmticos, miles o tal vez millones de
veces ms rpido que los seres humanos, fue una gran ayuda para la
investigacin de operaciones. Un avance ms tuvo lugar en la dcada de 1980
con el desarrollo de las computadoras personales cada vez ms rpidas,
6

acompaado de buenos paquetes de software para resolver problemas de IO,

esto puso las tcnicas al alcance de un gran nmero de personas. Hoy en da,
literalmente millones de individuos tiene acceso a estos paquetes. En
consecuencia, por rutina, se usa toda una gama e computadoras, desde las
grandes hasta las porttiles, para resolver problemas de investigacin de
operaciones.

1.2 El

origen militar de las tcnicas de Investigacin de

Operaciones3
Cuando comenz la Segunda Guerra Mundial, haba un pequeo grupo de
investigadores militares, encabezados por A.P. Rowe, interesados en el uso
militar de una tcnica conocida como radioubicacin (o radio-localizacin), que
desarrollaron cientficos civiles. Algunos historiadores consideran que esta
investigacin es el punto inicial de la investigacin de operaciones. Otros creen
que los estudios que tienen las caractersticas del trabajo de investigacin de
operaciones aparecen posteriormente. Algunos consideran que su comienzo
est en el anlisis y solucin del bloqueo naval de Siracusa que Arqumedes
presentara al tirano de esa ciudad, en el siglo III A.C. F. W. Lanchester, en
Inglaterra, justo antes de la primera guerra mundial, desarroll relaciones
matemticas sobre la potencia balstica de las fuerzas opositoras, que si se
resolvan tomando en cuenta el tiempo, podan determinar el resultado de un
encuentro militar. Toms Edison tambin realiz estudios de guerra
antisubmarina. Ni los estudios de Lanchester ni los de Edison tuvieron un
impacto inmediato; junto con los de Arqumedes, constituyen viejos ejemplos
del empleo de cientficos para determinar la decisin ptima en la guerra.
No mucho despus de que estallara la Segunda Guerra Mundial, la Badswey
Research Station, bajo la direccin de Rowe, particip en el diseo de
utilizacin ptima de un nuevo sistema de deteccin y advertencia prematura,
denominado radar (Radio Detection And Ranging Deteccin y medicin de
distancias mediante radio). Poco despus este avance sirvi para el anlisis de

Ibidem

todas las fases de las operaciones nocturnas, y el estudio se constituy en un

modelo de los estudios de investigacin de operaciones que siguieron.
En agosto de 1940 se organiz un grupo de investigacin, bajo la direccin de
P. M. S. Blackett, de la Universidad de Manchester, para estudiar el uso de un
nuevo sistema antiareo controlado por radar. Se conoci al grupo de
investigacin como el Circo de Blackett, nombre que no parece desatinado a
la luz de sus antecedentes y orgenes diversos. El grupo estaba formado por
tres fisilogos, dos fisicomatemticos, un astrofsico, un oficial del ejrcito, un
topgrafo, un fsico general y dos matemticos. Parece aceptarse comnmente
que la formacin de este grupo constituye el inicio de la investigacin de
operaciones.
Blackett y parte de su grupo, participaron en 1941 en problemas de deteccin
de barcos y submarinos mediante un radar autotransportado. Este estudio
condujo a que Blackett fuera nombrado director de Investigacin de Operacin
Naval del Almirantazgo Britnico. Posteriormente, la parte restante de su
equipo pas a ser el grupo de Investigacin de Operaciones de la Plana de
Investigacin y Desarrollo de la Defensa Area, y luego se dividi de nuevo
para formar el Grupo de Investigacin de Operaciones del Ejrcito. Despus de
la guerra, los tres servicios tenan grupos de investigacin de operaciones.
Como ejemplo de esos primeros estudios est el que plante la Comandancia
Costera que no lograba hundir submarinos enemigos con una nueva bomba
antisubmarina. Las bombas se preparaban para explotar a profundidades de no
menos de 30 m. Despus de estudios detallados, un profesor apellidado
Williams lleg a la conclusin de que la mxima probabilidad de muerte
ocurrira con ajustes para profundidades entre 6 y 7 m. Entonces se prepararon
las bombas para mnima profundidad posible de 10 m, y los aumentos en las
tasas de muertes, segn distintas estimaciones, se incrementaron entre un 400
y un 700%. De inmediato se inici el desarrollo de un mecanismo de disparo
que se pudiera ajustar a la profundidad ptima de 6 a 7m. Otro problema que
consider el Almirantazgo fueron las ventajas de los convoyes grandes frente a
los pequeos. Los resultados fueron a favor de los convoyes grandes.
A pocos meses de que Estados Unidos entrara en la guerra, en la fuerza area
del ejrcito y en la marina se iniciaron actividades de investigacin de
operaciones. Para el Da D (invasin aliada de Normanda), en la fuerza area
8

se haban formado veintisis grupos de investigacin de operaciones, cada uno

con aproximadamente diez cientficos. En la marina se dio un proceso
semejante. En 1942, Philip M. Morris, del Instituto Tecnolgico de
Massachussets, encabez un grupo para analizar los datos de ataque marino y
areo en contra de los submarinos alemanes. Luego se emprendi otro estudio
para determinar la mejor poltica de maniobrabilidad de los barcos en convoyes
a fin de evadir aeroplanos enemigos, e incluso los efectos de la exactitud
antiarea. Los resultados del estudio demostraron que los barcos pequeos
deberan cambiar su direccin gradualmente.
Al principio, la investigacin de operaciones se refera a sistemas existentes de
armas y a travs del anlisis, tpicamente matemtico, se buscaban las
polticas ptimas para la utilizacin de esos sistemas. Hoy da, la investigacin
de operaciones todava realiza esta funcin dentro de la esfera militar; sin
embargo, lo que es mucho ms importante, ahora se analizan las necesidades
del sistema de operacin con modelos matemticos, y se disea un sistema (o
sistemas) de operacin que ofrezca la capacidad ptima.
El xito de la investigacin de operaciones en la esfera de lo militar qued
bastante bien documentado hacia finales de la Segunda Guerra Mundial. El
general Arnold encarg a Donald Douglas, de la Douglas Aircraft Corporation,
en 1946, la direccin de un proyecto Research And Development (RAND
Investigacin y Desarrollo) para la Fuerza Area. La corporacin RAND
desempea hoy da un papel importante en la investigacin que se lleva a cabo
en la Fuerza Area.
A partir del inicio de la investigacin de operaciones como disciplina, sus
caractersticas ms comunes son:
Enfoque de sistemas
Modelado matemtico
Enfoque de equipo
Estas caractersticas prevalecieron a ambos lados del Atlntico, a partir del
desarrollo de la investigacin de operaciones durante la Segunda Guerra
Mundial.
Para maximizar la capacidad militar de entonces, fue necesario un enfoque de
sistemas. Ya no era tiempo de tomar decisiones de alto nivel sobre la direccin

de una guerra que exiga sistemas complicados frente a la estrategia de

guerras anteriores o como si se tratara de un juego de ajedrez.
La computadora digital y el enfoque de sistemas fueron preludios necesarios
del procedimiento matemtico de los sistemas militares de operaciones. Las
matemticas aplicadas haban demostrado su utilidad en el anlisis de
sistemas econmicos, y el uso de la investigacin de operaciones en el anlisis
de sistemas demostr igualmente su utilidad.
Para

que

un

anlisis de

un

sistema

militar

de

operaciones

fuera

tecnolgicamente factible, era necesario tener una comprensin tcnica

adecuada, que tomara en cuenta todas las subcomponentes del sistema. En
consecuencia, el trabajo de equipo result ser tan necesario como efectivo.

1.3

Aplicaciones

Humansticas

de

la

Investigacin

de

Operaciones
Churchman y Ackoff, filsofos de la Investigacin Operativa escribieron
numerosos libros sobre la aplicacin de sus tcnicas en beneficio de la
Humanidad y de la Sociedad fuera del mbito militar. Rusell Ackoff dio en
ocasiones asesoramiento al Gobierno de Mxico y de la UNAM (Universidad
Nacional Autnoma de Mxico) sobre mtodos para mejorar la economa y la
educacin del pueblo de Per, los mismos que describi en sus "Fbulas de
Ackoff"4
La investigacin de operaciones es una poderosa herramienta para el uso
ptimo de los recursos escasos. En ese sentido, cabran las siguientes
reflexiones:
Cul es la forma ms eficiente de asignar ciertos recursos escasos para
conseguir la ms alta tasa de retorno? Cul 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 ms bajos? Cuntas
ventanillas deben colocarse en un banco en las horas normales y en las horas
y das pico para que los clientes no se desesperen y se larguen al banco que
est cruzando la calle?

Ibidem

10

Cuntas cajas registradoras debe habilitar un supermercado para que el largo

de las colas no entorpezcan la circulacin de los clientes que an estn
comprando y de los trabajadores que colocan mercadera, etiquetan y dan
atencin al pblico? De qu manera debe asignarse un presupuesto en una
industria (o en un sector de la economa de un pas), para que se satisfaga la
demanda interna y externa del bien o servicio que produce?
Cul ser la demanda de lneas telefnicas para el ao 2050, teniendo en
cuenta el crecimiento natural de la poblacin, el cambio de sus hbitos, la
produccin, el nmero de profesionales, escuelas, comercios, etctera, que
habrn en ese entonces? Ser posible hacer predicciones (aproximadas por
supuesto) de cuntas escuelas, comercios, profesionales, etctera, habr en el
ao 2050? Hermosa cantidad de preguntas para comenzar un artculo sobre
Investigacin de Operaciones (IO), pero definitivamente es muy oportuno
porque es, en estos casos donde los especialistas en esta disciplina pueden
apoyar a los dems.
Una pregunta ms: Qu es entonces la Investigacin de Operaciones?
realmente es un poco difcil dar una respuesta corta a esta ltima pregunta
pero si la IO va a tratar de encontrar respuesta a las preguntas que hemos
planteado en el primer prrafo y a otra tonelada ms, debemos tratar de definir
lo que es5.

1.3.1 Definicin de Investigacin de Operaciones6

Hillier, Lieberman, Shamblin, Stevens, Taha, Tierauf, Grosse, Sasieni, por
mencionar algunos de los grandes especialistas en IO, dan una serie de
definiciones que bien podra resumirse como:
Es un enfoque cientfico de la toma de decisin. Podemos decir que la IO utiliza
un enfoque planeado (mtodo cientfico) y un grupo interdisciplinario para
representar, mediante modelos simblicos, 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 definicin que acabamos de dar
pero que da mucha claridad sobre lo que hace la Investigacin de Operaciones
5
6

http://www.investigacion-operaciones.com/Aplicaciones_IO.htm
Ibidem

11

es que, cuando se aplica alguna herramienta de la IO, se busca obtener el

ptimo resultado del uso de los recursos escasos.
Mucho se dice de la formacin previa que se debe tener para hacer
Investigacin de Operaciones, incluso hay autores que an dicen en sus libros,
que no se requiere ningn conocimiento de matemtica para poder leerlo, sin
embargo, no advierten al ingenuo lector que tampoco podrn resolver
problemas reales sino solamente algunos ejemplos de juguete que se
encuentran ah mismo. Nuestra experiencia en el campo de la enseanza y la
aplicacin de las herramientas de la IO, nos han hecho ver que para hacer IO
en forma profesional aceptable, se requiere de una slida preparacin en
Estadstica Descriptiva e Inferencial, conocimientos sobre las aplicaciones del
Clculo Diferencial e Integral y del Algebra Lineal, y desde luego, principios
generales de Economa, de lo contrario, el estudioso de la Investigacin de
Operaciones se sentir decepcionado y el que debe aplicarla se frustrar a
menudo.

1.3.2 Metodologa de la Investigacin de Operaciones7

La Investigacin de Operaciones busca el ptimo resultado en la utilizacin de
recursos escasos y usa el mtodo cientfico. 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 ms completa y
clara que sea posible.
2. Se construye un modelo apropiado que represente al sistema o al proceso
en estudio (matematizacin del problema).
3. Se deduce una o varias soluciones a partir del modelo construido.
4. Se hace una prueba del modelo y de la solucin obtenida, contrastando esto
con la realidad, si es que existe informacin 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 solucin, esto es, se pone a trabajar al modelo y sus
soluciones.

Ibidem

12

A continuacin se analizarn cada una de las partes que se enumeraron

anteriormente.
1. Definicin del problema. No es posible iniciar la bsqueda de la solucin
de un problema si no est claro cul 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 est bien y est mal, lo cual es una
contradiccin. Siempre nos debemos responder cuestiones tales como:
Cules son los objetivos? Cules las acciones a tomar y cules sus
alternativas? Cules son las restricciones? Cmo se medirn los resultados?
La definicin del problema debe ser clara, concisa y con palabras sencillas que
no dejen lugar a varias interpretaciones.
2. Construccin del modelo apropiado que represente al sistema o proceso
en estudio. Un modelo, desde el punto de la Investigacin de Operaciones, es
una representacin de una realidad (o de una idealidad). Estos pueden ser:
Icnicos (representaciones fsicas como los aeromodelos, las maquetas, los
carritos, los muecos, etctera); anlogos, la mayora de los cuales son ms
dinmicos que los icnicos y pueden mostrar comportamientos derivados de
acciones, como las superficies y las curvas de oferta y demanda, los
nomogramas de ingeniera que describen fenmenos de deformacin de
estructuras o comportamientos de todas las variables de una caldera, etctera;
Redes grficas, como las redes CPM-PERT, Project, Harvard y otras, que se
utilizan para la planificacin, ejecucin y control de proyectos; Matemticos o
Simblicos, los cuales se describen generalmente por medio de sistemas de m
ecuaciones con n incgnitas 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 funcin llamada funcin 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 trabajo es
suficientemente claro si se refiere slo a estos cuatro. Por otro lado, se dice
que los modelos son Determinsticos, como los de Programacin Lineal y
Transporte; y, Probabilsticos, como las Cadenas de Markov, los de Teora de
Juegos, Teora de Decisiones, las lneas de Espera y otros.

13

3. Deduccin de una o varias soluciones. Cuando el modelo ha sido bien

escogido o construido, se espera que la solucin del problema real sea terico.
Algunas veces no es posible obtener soluciones exactas para el problema
original, entonces se aceptan soluciones aproximadas o bien se usan
soluciones alternas en la construccin del modelo. Es posible y no es nada raro
que se puedan detectar varias soluciones alternas.
4. Pruebas del modelo y contraste con la realidad. Comparaciones de
soluciones con las de modelos secundarios.
Usando informacin histrica, sta se mete al modelo y se observa si los
resultados son coincidentes con los resultados reales que fueron observados a
travs del tiempo, luego se hace lo mismo con informacin del perodo ex post
(la informacin obtenida durante la poca de construccin) y se compara con el
funcionamiento real del proceso.
5. Ajustes del modelo y monitoreo de resultados. En este momento ya se
tiene al modelo dando 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 organizacin de la estructura del modelo para obtener mejores
resultados o si por el contrario es necesario hacer reingeniera.
Deben seguirse haciendo comparaciones con varias generaciones de
resultados para lograr afinar el modelo.
6. Implementacin de la solucin. Una vez pasadas todas las pruebas que
dan seguridad sobre el funcionamiento del instrumento, se da la capacitacin
necesaria a las personas que tendrn a su cargo la operacin del modelo,
preparando todas las herramientas de cmputo para que se elaboren
automticamente los reportes que permitirn a los tomadores de decisin hacer
su trabajo.

1.3.3

Las

principales

herramientas

de

la

Investigacin

de

Operaciones8
Cuando se habla de herramientas en IO (ver anexo: herramientas de
Investigacin de Operaciones), se esta refiriendo a los diferentes modelos
8

http://www.investigacion-operaciones.com/Aplicaciones_IO.htm

14

tericos (como por ejemplo, modelos de transporte y teora de colas), y a otras

disciplinas (como matemtica, administracin, economa, etctera), que se
utilizan como instrumentos de trabajo habitual para el profesional de la
Investigacin de Operaciones. Debe quedar claro, sin embargo, que cada da
se agregan ms tipos de modelos y otras disciplinas imposibles de enumerar
en este momento.
De la misma manera la Investigacin de Operaciones es considerada, ella
misma como una herramienta al servicio de otras disciplinas. Es bien conocido
que la Administracin de Negocios se ha estado beneficiando grandemente de
la Investigacin de Operaciones ahora que se ha iniciado toda una revolucin
con el uso de Planificacin Estratgica, Reingeniera y los programas de
Calidad Total, para mencionar algunos.
A continuacin se presenta una lista, no exhaustiva, de diferentes tipos de
modelos que se podran considerar como herramientas de la Investigacin de
Operaciones:
1. Modelos grficos de programacin lineal.
2. Modelos algebraicos de programacin lineal.
3. Redes y programacin lineal para transporte.
4. Modelos de toma de decisin en condiciones de incertidumbre.
5. Modelos de toma de decisin en condiciones de certeza.
6. Modelos Bayesianos.
7. Procesos estocsticos con cadenas de Markov.
8. Lneas de espera (Teora de colas).
9. Modelos de optimizacin con redes para la planeacin, ejecucin y control
de proyectos.
10. Cadenas de Markov para el reemplazo de activos fijos.
11. Modelos de inventarios determinsticos.
12. Modelos de inventarios probabilsticos.
13. Modelos de programacin dinmica y teora de juegos.
14. Modelos de simulacin para la obtencin de informacin experta.
15. Modelos heursticos de autoaprendizaje y autocorreccin.
Los expertos Hillier y Lieberman dicen en su tratado (usado como texto durante
varias generaciones de estudiosos de la Investigacin de Operaciones) con la
Revolucin Industrial se invent la divisin del trabajo y esto trajo como
15

consecuencia un crecimiento en la dimensin y complejidad de las

organizaciones. La superespecializacin de los individuos, los departamentos
de las industrias y an 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 producan los
especialistas. Sin las tcnicas y modelos de la I.O. la situacin hubiese
devenido en un caos, fue esta herramienta (o si lo queremos decir en trminos
ms globales, las herramientas) la que permiti organizar todos los cabos
sueltos y al mismo tiempo la situacin hizo que la I.O. creciera.
La reingeniera propone olvidarnos de la divisin del trabajo y regresar a una
especie de todologa ya que esto evita los pasos laterales que no agregan valor
a los procesos y nos da la opcin de atender directamente al beneficiario del
proceso el cliente!. Las tcnicas de redes, teora de colas, modelos de
inventarios, programacin lineal, transporte, etctera, aunado a la capacitacin
del personal y a la tecnologa cambiante y agresiva son, en esta era de la
Planificacin Estratgica, los instrumentos indispensables para la Reingeniera
y la Calidad Total.
La investigacin de Operaciones se ha convertido en una poderosa
herramienta al servicio de la Administracin, la Economa y las Ingenieras
Los modelos de redes tipo CPM-PERT y el MS-PROJET como mtodos
gerenciales para la planificacin, ejecucin y control de proyectos. Son de los
diferentes

modelos

ms

utilizados

como

herramientas

dentro

de

la

investigacin de operaciones.
Pese a que para poder leer e interpretar adecuadamente una red CPM-PERT
slo se necesita saber leer y escribir, esta tcnica para la planificacin de
proyectos es un instrumento gerencial por excelencia, ya que permite al
ejecutivo mantener un control muy preciso durante la ejecucin de los mismos.
Este ingenioso y elegante mtodo para la optimizacin de tiempos y
minimizacin de costos es la mezcla de dos instrumentos creados hace
algunos aos; el CEMP (Crithical Path Method) y el PERT (Program Evaluation
on Review Technique).
El primero fue diseado en el segundo lustro de los aos 50, por los
investigadores de Dupont: J.E. Kelly y M.R. Walker y originalmente fue
denominado CPPSM (Crithical Path Planing and Scheduling Method), se us
16

para la programacin y control de la factora qumica en Kentuky y demostr

sus grandes ventajas respecto a los mtodos clsicos por su aptitud de integrar
modificaciones sin dificultad.
El segundo mtodo fue diseado en la misma poca por Naval Special Project
Office, con la colaboracin de la Lockhead Aircraft y de la firma Booz-Allen &
Hamilton. Lo extraordinario es que habiendo sido diseados por grupos
diferentes que buscaban resultados diferentes (uno la minimizacin de costos y
el otro la optimizacin de los tiempos), y que el primero fuera de tipo
determinstico y el segundo probabilstico, las coincidencias grficas fueran tan
notables en ambos mtodos. Puede decirse que a primera vista no existe
ninguna diferencia desde el punto de vista grfico.
Estos dos mtodos aportaron los elementos administrativos necesarios para
formar el mtodo actual CPM-PERT que definitivamente es de ms difcil
lectura y ms elegante y poderoso que sus antecesores, se usa para el control
de los tiempos de ejecucin y los costos de operacin buscando que el
proyecto sea realizado en tiempo ptimo y al menor costo posible.
Los mtodos de redes, en general, haban estado siendo manejados como
secretos militares por la NASA, que como ahora sabemos haba tenido una
serie de sonados fracasos en sus lanzamientos de satlites artificiales. Fue en
el momento de la desesperacin y angustia (1957), cuando los soviticos
colocaron el primer Sputnik en rbita, cuando dieron mayor abertura a otras
personas e instituciones para que les ayudaran a poner a punto a su cohete
Polaris y a recuperar el tiempo perdido por haber trabajado aislados.
De ese momento en adelante toda la programacin de NASA se hizo usando
redes y esto les permiti, como lo hace con cualquier proyecto, manejar
simultneamente la enorme cantidad de actividades desarrolladas por
subcontratistas ligadas entre s pero desarrolladas en lugares diferentes por
personas que no tenan relacin directa.
La administracin y las ingenieras fueron las grandes ganadoras ya que en
forma casi natural comenzaron a utilizar CPM y PERT como instrumentos.
Al principio el PERT se utiliz para evaluar la programacin de un proyecto de
investigacin y desarrollo, en la actualidad se usa para controlar el avance de
otro tipo de proyectos como:

17

1. Programacin de proyectos de construccin de edificios, autopistas, puentes,

etctera.
2. Programacin de la mudanza de grandes instituciones como bancos,
hospitales, industrias, etctera.
3. Creacin de procedimientos para la cuenta regresiva y la suspensin del
lanzamiento de los vuelos espaciales (de todos los vuelos de todos los pases
que compiten en la era espacial).
4. Instalaciones de sistema de cmputo, de maquinaria y equipo de grandes
industrias.
5. Diseo y distribucin de productos nuevos.
6. Inicio, proceso y conclusin de fusiones de instituciones en corporaciones y
de corporaciones mismas.
7. Construccin de equipo, maquinaria estacionaria y vehculos automotores.
8. Flujos de costos mnimos, etctera.
Caractersticas importantes a tener en cuenta para usar la metodologa CPMPERT
A. El mtodo requiere de la participacin de expertos. Esto significa que
para hacer una red sobre un rea especial no se puede y sobre todo no se
debe improvisar la informacin, la misma debe ser proveda por alguien que
haya tenido la experiencia previa.
Por ejemplo, para construir y colocar una puerta, es un experto en hacer y
colocar puertas quien debe proporcionar la informacin sobre tiempos y costos,
preferiblemente una fbrica de puertas que un carpintero. Para dar la
informacin sobre el lanzamiento de un producto nuevo al mercado se
necesita de un experto que haya llevado a cabo lanzamientos de productos
nuevos; y as para cualquier actividad ya que dependeremos en grado sumo de
esa experiencia para poder armar la red.
En caso que no se cuente con alguien que haya tenido la vivencia previa, como
podra ser el caso del lanzamiento de una nave tripulada a Jpiter, se
construye un modelo experto de simulacin, el cual nos permitir generar, por
esta va, informacin con cierto grado de confianza.
B. El proyecto que se planifica es nico. Esto significa que una red hecha
para una casa no se puede usar para otra casa, aunque sea muy semejante (o
igual, como se dice en el lenguaje corriente). Hacer varias casas iguales, es un
18

proyecto que es diferente de un proyecto para hacer una casa y luego repetirlo
varias veces.
C. El proyecto que se planifica debe tener claramente establecidas las
limitaciones. No debe haber ninguna duda en cuanto a la definicin del
proyecto y en cuanto a la disponibilidad de tiempo y dinero. El clsico hgase
sin contemplar el presupuesto disponible o el tiempo mximo que puede
usarse, que se da a veces cuando no hay prisas, es un veneno mortal para el
mtodo CPM-PERT.

19

Captulo 2 Pasos generales para la

Construccin de Modelos

20

2.1 Conceptos bsicos de Investigacin de Operaciones9

La toma de decisiones es fundamental para cualquier actividad humana. En
este sentido, somos todos tomadores de decisiones. Sin embargo, tomar una
'buena' decisin empieza con un proceso de razonamiento, constante y
focalizado, que incluye muchas disciplinas.
Son muchas las definiciones ofrecidas de IO/CA, como as tambin muchos los
argumentos del porqu no puede definirse. Las siguientes definiciones son una
base til para una comprensin inicial de la naturaleza de la IO/CA:
Mtodo cientfico por el cual la administracin ejecutiva dispone de una base
cuantitativa para las decisiones de operaciones bajo su control (Mores-Kimball
1943).
La aplicacin del mtodo cientfico por parte de equipos interdisciplinarios a
problemas que implican el control de sistemas organizados (hombre y
mquina) para brindar las soluciones que mejor cumplan el propsito de la
organizacin en su totalidad (Ackoff- Sasieni 1968).
Abordaje cientfico para la solucin de problemas en la administracin ejecutiva
(Wagner 1969).
Toma de decisiones ptimas, y su modelizacin, en sistemas deterministas y
probabilsticos que tienen su origen en la vida real. Estas aplicaciones-en el
gobierno, los negocios, la ingeniera, la economa y las ciencias naturales y
sociales-se caracterizan principalmente por la necesidad de distribuir recursos
limitados. En estas situaciones, el anlisis cientfico, como por ejemplo el
brindado por la IO/CA, puede proporcionar informacin importante (HillerLieberman 1974).
Rama de la matemtica aplicada al proceso de toma de decisiones. (Gross
1979).
Si comparamos las definiciones de More-Kimball y Gross, la divergencia es
notable despus de treinta y seis aos: en un caso, la IO/CA se define como un
mtodo cientfico, mientras que en el otro se la ve como una rama de la
matemtica.

http://www.investigacion-operaciones.com/conceptos_modelos.htm#rormsintro

21

Al analizar estas definiciones debera tenerse en cuenta que ni la disciplina

cientfica antigua y bien establecida ni la ciencia misma han sido definidas de
modo tal que resulte aceptable para la mayora de los que las utilizan.
Los ingenieros industriales disean sistemas que le permiten a la gente y a la
sociedad mejorar la productividad, eficiencia, eficacia y calidad del entorno de
trabajo.

Todos

los

ingenieros

trabajan

en

la

planificacin,

diseo,

implementacin y control de los sistemas que representan la forma en que la

gente utiliza la tecnologa. Los sistemas sujetos al diseo de la Ingeniera
Industrial son amplios y se caracterizan por la necesidad de integrar tanto las
capacidades humanas fsicas como la toma de decisiones con todos los dems
aspectos del diseo de sistemas. A continuacin una muestra del alcance de
los problemas:

El diseo de un mtodo de trabajo y un puesto de trabajo,

El diseo de la distribucin de planta en una fbrica y mtodos de

control de flujo de materiales en el piso,

El diseo de un plan corporativo general que incluya la provisin,

produccin, existencias y distribucin de materiales.

El concepto de fbrica incluye adems los sistemas para el cuidado de la salud,
los sistemas municipales y los sistemas de transporte. En realidad, incluye
todos los sistemas que son esenciales para el funcionamiento de la sociedad
moderna. Los sistemas que facilitan la toma de decisiones y la implementacin
efectivas en reas tales como scheduling, existencias y control de calidad son
tpicos de la ingeniera industrial.
El comportamiento y las capacidades humanas son elementos claves en los
sistemas con los que trabajan los ingenieros industriales. En el diseo de la
distribucin en planta de una lnea de produccin en una automotriz, de las
cajas en un supermercado, de la organizacin del flujo de trabajo administrativo
en un banco, de un sistema de manejo de materiales o de una acera, el
ingeniero debe considerar los requerimientos fsicos, los parmetros de costos
y el desempeo fsico y comportamiento de los operadores humanos. El
ingeniero industrial tiene la doble responsabilidad de, por un lado, ampliar la
capacidad humana para operar, administrar y controlar el sistema de
produccin en general y, por otro, garantizar la seguridad y bienestar de los
que trabajan en el sistema.
22

El diseo y el desarrollo de estos sistemas requieren de la experiencia nica de

los ingenieros industriales. El proceso de ingeniera siempre comienza con una
medicin. Mientras que otros ingenieros podran medir temperaturas, presiones
o cargas del viento, el ingeniero industrial mide el tiempo de un ciclo de trabajo,
el valor en dlares de los gastos, promedios de fallas de maquinarias o
procesos de demanda para productos terminados. Por lo general, el anlisis
matemtico debe considerar el riesgo y la incertidumbre ms que en otros
campos de la ingeniera. Con frecuencia es necesario hacer simulacin y
optimizacin con programas de computacin. Los conceptos y las tcnicas de
la Ingeniera Industrial sirven para desarrollar las habilidades que satisfacen los
desafos especficos de los sistemas que requieren actividades gerenciales.

2.2 Clasificacin de los modelos10

Los modelos se clasifican en: Mecnico, Mental/Verbal, Analtico y Simulacin.
El decisor debe identificar cul es el tipo de modelo que mejor se adecua al
problema de decisin. Es por eso que se analizara una clasificacin de los
modelos antes de entrar en el proceso de construccin del modelo. Si bien la
IO/CA se concentra principalmente en los modelos matemticos, los otros tipos
de modelos tambin prevalecen en la prctica.
Los modelos pueden clasificarse segn sus caractersticas, como sus tipos,
evolucin en el tiempo y disponibilidad de informacin, como se ilustra, por
ejemplo, en la siguiente figura.

Figura 1. Clasificacin de los Modelos

10

http://www.investigacion-operaciones.com/conceptos_modelos.htm#rClassmodels

23

Una clasificacin de los modelos

Los modelos icnicos son usualmente estticos por naturaleza, como el billete
de un dlar. Los modelos anlogos tambin son fsicos; sin embargo, aunque
fueron diseados para actuar como la realidad habitualmente no se le parecen.
Son en su mayor parte modelos mecnicos. En cambio, las actividades de
negocios son procesos dinmicos. El negocio es un proceso que sigue
patrones matemticos. Por lo tanto, puede representarse mediante modelos
simblicos (es decir, algebraicos, numricos, lgicos). Entre los modelos
simblicos encontramos una gran clase, conocidos como modelos matemticos
y de simulacin por computadora.
Modelos mecnicos: El modelo que adopta la apariencia fsica del objeto que
debe representar se llama modelo fsico. Este tipo de modelo se usa para
mostrar o probar el diseo de elementos, desde nuevas construcciones hasta
nuevos productos. En la industria de la aviacin, se construyen modelos a
escala de las nuevas aeronaves que se prueban en tneles de viento para
registrar la aerodinmica del diseo. El fabricante de repuestos automotrices
puede tener un modelo a escala tridimensional del piso de la planta, completo
con mquinas y equipos en miniatura, para poder analizar un nuevo diseo de
la distribucin. Las mquinas en el modelo pueden reubicarse y estudiarse
nuevas distribuciones con el objeto de mejorar el flujo de materiales.
Los modelos mecnicos ofrecen la ventaja de que pueden usarse para
experimentar. En el ejemplo de la aeronave, los ensayos con un diseo
diferente quizs impliquen construir un modelo completamente nuevo. Adems
de la ventaja de la experimentacin, los modelos mecnicos lcidamente
describen el problema o sistema que se est estudiando; resultan tiles para
generar alternativas innovadoras de diseo con el objeto de resolver el
problema de decisin. No obstante, slo una clase de problemas relativamente
pequea puede resolverse con modelos mecnicos. Algunos ejemplos de
problemas que no pueden analizarse con modelos mecnicos son la seleccin
de carteras, la seleccin de medios y la planificacin de produccin.
Bsicamente, los modelos mecnicos son tiles slo para los problemas de
diseo, e incluso en algunos de estos casos se puede hacer un anlisis ms
eficiente y completo con modelos matemticos que puedan correrse en
computadora. Adems, estos modelos mecnicos no contienen relaciones
24

explcitas entre las alternativas de decisin y las variables y objetivos

dependientes, debiendo usarse mtodos de prueba y error para resolver el
problema. Si bien esto, de por s, no es una terrible desventaja, el proceso de
prueba y error, sumado a la necesidad de reconstruir el modelo con cada
cambio de diseo, puede demandar mucho tiempo y muchos gastos, en
algunos casos.
Modelos mentales/verbales: El modelo verbal es la traduccin del modelo
mental. As, el modelo mental/verbal expresa todas las relaciones funcionales
entre las variables de un pasaje. Por ejemplo, consideremos al gerente de
publicidad de una compaa que fabrica cereal y que hace la siguiente
afirmacin en relacin con los comerciales de televisin del sbado a la
maana: "Un spot de 20 segundos tiene mucho ms impacto en nuestro target
de audiencia que uno de 15 segundos". En este ejemplo, las distintas
duraciones del comercial son las alternativas de decisin; el "impacto"-que
podemos inferir tiene que ver con la propensin de los padres de los
televidentes a comprar el cereal de la compaa-es la variable dependiente. De
este modo, tenemos una relacin entre las alternativas de decisin y una
variable dependiente que est relacionada con los objetivos de la compaa.
Estos modelos se utilizan ampliamente en el mundo de los negocios y ofrecen
la ventaja de ser fciles de entender. Con frecuencia son el afloramiento de
muchos aos de experiencia gerencial y sirven para resumir esa experiencia en
lenguaje comprensible.
Sin embargo, los modelos mentales/verbales tienen una serie de deficiencias.
El decisor no puede experimentar con ellos, tampoco indican especficamente
cmo cambian los resultados o las medidas de su eficacia segn la alternativa
de decisin de que se trate. En el modelo mental/verbal precedente no
sabemos cunto ms impacto tiene un comercial de 20 segundos versus uno
de 15 segundos. La otra desventaja es que no es fcil mostrar cmo cambian
las relaciones segn la alternativa de decisin. Si construyramos un modelo
mental/verbal que respondiera estas preguntas con todas las duraciones
posibles del comercial, tendramos un modelo mental/verbal muy extenso que
sera difcil de entender y no se podra experimentar. No obstante, los modelos
mentales/verbales pueden jugar un rol importante en el proceso de decisin.

25

Pueden usarse para verbalizar estrategias de decisin logradas con modelos

ms sofisticados.
Modelos analticos: Los modelos analticos son modelos matemticos,
destinados a hacer una cierta simplificacin y abstraccin de sistemas reales,
para poder obtener ms informacin y para entender algn aspecto de inters
de la realidad. Sin embargo, debiera conectarse la modelizacin de la realidad
por abstraccin con problemas y dominios reales, y practicarse mediante la
verificacin y/o la validacin. Estos tipos de modelos se aplican principalmente
en los sistemas estticos y/o deterministas.
En comparacin con los modelos mecnicos, los modelos matemticos facilitan
la experimentacin, porque todas las variables dependientes, las variables
independientes, las constantes y los parmetros estn explcitamente
relacionados por el lenguaje de la matemtica. El decisor puede poner a
prueba los efectos de las diferentes alternativas de decisin, las constantes y
los valores de los parmetros en las variables dependientes con mucha ms
facilidad que con cualquier otro tipo de modelo. Adems, los modelos
matemticos pueden representar muchos problemas complejos de modo
eficiente y conciso y, en muchos casos, pueden ser la manera ms barata de
analizar los problemas. Es por estas razones que se analizan los distintos
modelos matemticos y las tcnicas de solucin que se usan con ms
frecuencia en la prctica.
Los procedimientos de solucin pueden ser de pasada nica o iterativos. El
procedimiento de solucin de pasada nica es aqul en el que los valores
finales de todas las variables de decisin se determinan simultneamente, de
acuerdo con algn procedimiento bien definido. La tcnica de solucin iterativa,
por otra parte, es aqulla en que se requiere una serie de pasos para arribar a
una solucin final y donde en cada paso se reciben soluciones parciales o
completas. Con frecuencia se necesitan variables discretas o continuas para
algn determinado problema. Finalmente, la ptima es aqulla que puede
demostrarse que es por lo menos tan buena como cualquier otra, dadas las
presunciones del modelo, mientras que la solucin satisfactoria es la que se
considera "buena" con respecto a los objetivos y las restricciones, pero que sin
embargo no se puede demostrar que es la mejor. De este modo, en el modelo
normativo-esttico-determinista, las variables de decisin son continuas, las
26

relaciones son lineales y se desea hallar la solucin ptima, la lista de tcnicas

de solucin potenciales para el modelo se reduce a slo una: la programacin
lineal. Entonces, ahora pueden identificarse una o ms alternativas viables para
la metodologa de solucin y puede comenzar la formulacin del modelo.
Modelos de simulacin: El grado de abstraccin que tienen los modelos
matemticos es un impedimento definido para su aceptacin por parte de los
gerentes. No es de sorprender que exista resistencia entre gerentes que no
han recibido suficiente capacitacin o exposicin a estos modelos, y tambin
entre gerentes que s estn capacitados pero que no tienen tiempo para prestar
la debida atencin al modelo. Los modelos matemticos usan el lenguaje
simblico de la matemtica que tiene sus propias limitaciones. Los modelos
anlogos tambin son fsicos; si bien estn diseados para actuar como la
realidad habitualmente no se le parecen. Los modelos pueden ser demasiado
complejos (como, por ejemplo, el de un aeropuerto internacional) no pudiendo
ser resueltos con eficiencia, y requiriendo groseras simplificaciones del
problema real para poder llegar a una buena solucin estratgica. En tales
circunstancias, el problema que queda "resuelto" ya no se asemeja al problema
original y de implementarse la solucin podra resultar en efectos desastrosos
en la organizacin. Una seleccin apropiada del tipo de modelo y de la tcnica
de solucin debiera minimizar este tipo de error. Los modelos de simulacin
son las duplicaciones computarizadas de los sistemas reales y, de lejos, son
mucho ms realistas, en especial en la modelizacin de sistemas dinmicos y/o
probabilsticos, como el de un aeropuerto internacional.
Tipos de modelos11:
1) Modelos determinsticos .- Informacin conocida
2) Modelos Probabilsticos .- Parte de la informacin necesaria no se conoce
con certeza.
Un nmero apreciable de situaciones no lo cubre las tcnicas matemticas
disponibles, y no se ajustan a los modelos determinsticos o probabilsticos.
Simulacin .- Formacin de relaciones lgicas bien definidas. Es un proceso
mas detallado que los modelos matemticos, con relaciones de entrada y
salida indicadas en forma implcita (y no explcita).
11

http://tarwi.lamolina.edu.pe/~leojeri/WEB-%20CLASE1y%20Modelos.htm

27

Modelos de decisin segn su clase de incertidumbre y su uso en compaas

Tipo de modelo

Clase de Incertidumbre

Frecuencia de Uso

D, P

D, P

D, P

Programacin Lineal
Redes (Pert-Cpm)
Inventarios
Econometra, Pronsticos y
Simulacin
Programacin No Lineal
Teora de Juegos
Teora de Colas
Ecuaciones diferenciales

D: Determinstico; P: Probabilstico; A: Alto; B: Bajo

Tabla 1. Tipos de modelos
2.3.1 Modelos determinsticos12
Los problemas de toma de decisiones se pueden clasificar en dos categoras:
modelos de decisin determinsticos y modelos de decisin probabilsticos. En
los modelos determinsticos, las buenas decisiones se basan en sus buenos
resultados. Se consigue lo deseado de manera "determinstica", es decir, libre
de riesgo. Esto depende de la influencia que puedan tener los factores no
controlables, en la determinacin de los resultados de una decisin y tambin
en la cantidad de informacin que el tomador de decisin tiene para controlar
dichos factores.
Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan
al problema constante de mejorar (por ejemplo, optimizar) el rendimiento del
sistema. El problema puede ser, reducir el costo de operacin y a la vez
12

http://www.investigacion-operaciones.com/Modelos_Deterministicos.htm

28

mantener un nivel aceptable de servicio, utilidades de las operaciones actuales,

proporcionar un mayor nivel de servicio sin aumentar los costos, mantener un
funcionamiento rentable cumpliendo a la vez con las reglamentaciones
gubernamentales establecidas, o "mejorar" un aspecto de la calidad del
producto sin reducir la calidad de otros aspectos. Para identificar la mejora del
funcionamiento del sistema, se debe construir una representacin sinttica o
modelo del sistema fsico, que puede utilizarse para describir el efecto de una
variedad de soluciones propuestas.
Un modelo puede considerarse como una entidad que captura la esencia de la
realidad sin la presencia de la misma. Una fotografa es un modelo de la
realidad ilustrada en la imagen. La presin arterial puede utilizarse como un
modelo de la salud de una persona. Una campaa piloto de ventas puede
utilizarse como un modelo de la respuesta de las personas a un nuevo
producto. Por ltimo, una ecuacin matemtica puede utilizarse como un
modelo de la energa contenida en un determinado material. En cada caso, el
modelo captura algn aspecto de la realidad que intenta representar.
Ya que un modelo slo captura determinados aspectos de la realidad, su uso
puede no ser apropiado en una aplicacin en particular porque no captura los
elementos correctos de la realidad. La temperatura es un modelo de las
condiciones climticas pero puede ser inapropiado si uno est interesado en la
presin baromtrica. Una foto de una persona es un modelo de la misma pero
brinda poca informacin acerca de sus logros acadmicos. Una ecuacin que
predice las ventas anuales de un producto en particular es un modelo de ese
producto pero tiene poca utilidad si lo que nos interesa es el costo de
produccin por unidad. Por lo tanto, la utilidad del modelo depende del aspecto
de la realidad que representa.
Un modelo puede ser inadecuado aun cuando intenta capturar los elementos
apropiados de la realidad si lo hace de una manera distorsionada o sesgada.
Una ecuacin que pronostica el volumen mensual de ventas puede ser
exactamente lo que el gerente de ventas quiere pero podra generar grandes
prdidas si arroja constantemente clculos de ventas altos. Un termmetro que
lee de ms (o de menos) tendra poca utilidad para realizar un diagnstico
mdico. En consecuencia, un modelo til es aquel que captura los elementos
adecuados de la realidad con un grado aceptable de precisin.
29

Un modelo matemtico es una ecuacin, desigualdad o sistema de ecuaciones

o desigualdades, que representa determinados aspectos del sistema fsico
representado en el modelo. Los modelos de este tipo se utilizan en gran
medida en las ciencias fsicas, en el campo de la ingeniera, los negocios y la
economa.
Un modelo ofrece al analista una herramienta que puede manipular en su
anlisis del sistema en estudio, sin afectar al sistema en s. Por ejemplo,
supngase que se ha desarrollado un modelo matemtico para predecir las
ventas anuales como una funcin del precio de venta unitario. Si se conoce el
costo de produccin por unidad, se pueden calcular con facilidad las utilidades
anuales totales para cualquier precio de venta. Para determinar el precio de
venta que arrojar las utilidades totales mximas, se pueden introducir en el
modelo distintos valores para el precio de venta, uno a la vez, determinando las
ventas resultantes y calculando las utilidades anuales totales para cada valor
de precio de venta examinado. Mediante un proceso de prueba y error, el
analista puede determinar el precio de venta que maximizar las utilidades
anuales totales.
Lo ideal sera que si el modelo matemtico es una representacin vlida del
rendimiento del sistema, mediante la aplicacin de las tcnicas analticas
adecuadas, la solucin obtenida a partir del modelo debera ser tambin la
solucin para el problema del sistema. As, la efectividad de los resultados de
la aplicacin de cualquier tcnica operativa es en gran medida una funcin del
grado en el cual el modelo representa al sistema en estudio.
A fin de definir las condiciones que nos conducirn a la solucin del problema
del sistema, el analista primero debe identificar un criterio segn el cual se
podr medir el sistema. Este criterio a menudo se denomina medida del
rendimiento

del

sistema

medida

de

efectividad.

En

aplicaciones

empresariales, la medida de efectividad generalmente son los costos o las

utilidades, mientras que en aplicaciones gubernamentales esta medida
generalmente se define en trminos de un ndice costo/beneficio.
El modelo matemtico que describe el comportamiento de la medida de
efectividad se denomina funcin objetivo. Si la funcin objetivo es describir el
comportamiento de la medida de efectividad, debe capturar la relacin entre
esa medida y aquellas variables que hacen que dicha medida flucte. Las
30

variables del sistema pueden categorizarse en variables de decisin y

parmetros. Una variable de decisin es una variable que puede ser
directamente controlada por el decisor. Tambin existen algunos parmetros
cuyos valores pueden ser inciertos para el decisor. Esto requiere un anlisis de
sensibilidad despus de descubrir la mejor estrategia. En la prctica, resulta
casi imposible capturar la relacin precisa entre todas las variables del sistema
y la medida de efectividad a travs de una ecuacin matemtica. En cambio, el
analista de IO/CA debe tratar de identificar aquellas variables que afectan en
mayor grado la medida de efectividad y luego debe intentar definir de manera
lgica la relacin matemtica entre estas variables y la medida de efectividad.
Esta relacin matemtica es la funcin objetivo que se emplea para evaluar el
rendimiento del sistema en estudio.
La formulacin de una funcin objetivo que tenga sentido normalmente es una
tarea tediosa y frustrante. Los intentos de desarrollo de una funcin objetivo
pueden terminar en un fracaso. Esto puede darse porque el analista elige el
conjunto incorrecto de variables para incluir en el modelo o bien, si el conjunto
es el adecuado, porque no identifica correctamente la relacin entre estas
variables y la medida de efectividad. En un nuevo intento, el analista trata de
descubrir las variables adicionales que podran mejorar su modelo descartando
aquellas que parecen tener poca o ninguna relevancia. No obstante, slo se
puede determinar si estos factores realmente mejoran el modelo una vez
realizadas la formulacin y prueba de nuevos modelos que incluyan las
variables adicionales. Todo el proceso de seleccin y rechazo de variables
puede requerir reiteraciones mltiples hasta desarrollar una funcin objetivo
satisfactoria. En cada iteracin, el analista espera lograr alguna mejora en el
modelo, aunque no siempre se tiene tanta buena suerte. Por lo general, el xito
final es precedido por una serie de fracasos frustrantes y pequeos progresos.
En cada etapa del proceso de desarrollo, el analista debe evaluar la
correspondencia o validez del modelo. Normalmente se emplean dos criterios
para realizar esta determinacin. El primero implica la experimentacin del
modelo: someter el modelo a una serie de condiciones y registrar los valores
asociados de la medida de efectividad dada por el modelo en cada caso. Si la
medida de efectividad vara de manera antinatural con una sucesin de
condiciones de entrada, es posible que la funcin objetivo no sea vlida. Por
31

ejemplo, supngase que se desarrolla un modelo destinado a calcular el valor

de mercado de viviendas unifamiliares. El modelo debe expresar el valor de
mercado en dlares como una funcin de la superficie cubierta en pies
cuadrados, cantidad de dormitorios, cantidad de baos y tamao del lote.
Despus de desarrollar el modelo, el analista lo aplica a la tasacin de distintas
viviendas, con distintos valores para las caractersticas mencionadas y
descubre que el valor de mercado desciende a medida que aumenta la
superficie cubierta expresada en pies cuadrados. Dado que este resultado no
concuerda con la realidad, el analista cuestionara la validez del modelo. Por
otro lado, supngase que el modelo es tal que el valor de las viviendas es una
funcin creciente de cada una de las cuatro caractersticas citadas, como
generalmente es de esperar. Si bien este resultado es alentador, no
necesariamente implica que el modelo es una representacin vlida de la
realidad, dado que la tasa de aumento de cada variable puede ser
excesivamente alta o baja. La segunda etapa de la validacin del modelo
requiere una comparacin de los resultados del modelo con los resultados
obtenidos en la realidad.
2.3.2 Modelos probabilsticos13
Los modelos estocsticos tratan los parmetros de modelos de optimizacin
como variables aleatorias.
Los modelos de procesos estocsticos intentan caracterizar el comportamiento
de ciertos procesos probabilsticos por sistemas de ecuaciones matemticas.
La atencin generalmente se enfoca en la habilidad de predecir como el
comportamiento del sistema mas que la optimizacin.
Los modelos determinsticos, como opuestos a los estocsticos, suponen que
los valores de todas las variables no controlables y los parmetros se conocen
con certeza y son fijos.

13

http://docencia.50webs.com/Docs/Simula/Modelo.ppt

32

Modelos

Determinsticos

Hbridos

Estocsticos

Optimizacin
No lineal

Optimizacin
lineal

Programacin
dinmica

Programacin
estocstica

Mtodos
clsicos

Programacin
lineal

Inventarios

Colas

Mtodos de
bsqueda

Transporte y
asignacin

PERT ruta
crtica

Proceso
estocstico

Programacin
No lineal

Programacin
entera

Heursticos

Teora de
juegos

Figura 2. Clasificacin de modelos (2)

El Modelo determinstico es (no probabilstico)

El Modelo estocstico es (probabilstico)

El Modelo hbrido (combina de los dos anteriores)

Los modelos estocsticos tratan los parmetros de modelos de

optimizacin como variables aleatorias.

Los modelos de procesos estocsticos intentan caracterizar el

comportamiento de ciertos procesos probabilsticos por sistemas de
ecuaciones matemticas. La atencin generalmente se enfoca en la
habilidad de predecir como el comportamiento del sistema mas que la
optimizacin.

Un proceso estocstico se define sencillamente como una coleccin indexada

de variables aleatorias { X1 }, donde el subndice t toma valores de un conjunto
T dado. Con frecuencia T se toma como el conjunto de enteros no negativos y
X, representa una caracterstica de inters medible en el tiempo t. Por ejemplo,
el proceso estocstico, X1 , X2 , X3, .., Puede representar la coleccin de
niveles de inventario semanales (o mensuales) de un producto dado, o puede

33

representar la coleccin de demandas semanales (o mensuales) de este

producto.
Un estudio del comportamiento de un sistema de operacin durante algn
periodo suele llevar al anlisis de un proceso estocstico con la siguiente
estructura. En puntos especficos del tiempo t, el sistema se encuentra
exactamente en una de un nmero finito de estados mutuamente excluyentes y
exhaustivos, etiquetados 0, 1, . . , S. Los periodos en el tiempo pueden
encontrarse a intervalos iguales o su esparcimiento puede depender del
comportamiento general del sistema en el que se encuentra sumergido el
proceso estocstico. Aunque los estados pueden constituir una caracterizacin
tanto cualitativa como cuantitativa del sistema, no hay prdida de generalidad
con las etiquetas numricas 0, 1, . . , M , que se usarn en adelante para
denotar los estados posibles del sistema. As la representacin matemtica del
sistema fsico es la de un proceso estocstico {Xi}, en donde las variables
aleatorias se observan en t = 0, 1, 2,. . ., y en donde cada variable aleatoria
puede tomar el valor de cualquiera de los M + 1 enteros 0, 1, .. , M .
Estos enteros son una caracterizacin de los M + 1 estados del proceso14.

2.3.3 Pasos para la construccin de modelos

DEFINICIN DEL PROBLEMA Y RECOLECCIN DE DATOS

La mayor parte de los problemas prcticos con los que se enfrenta el equipo de
IO estn 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 rea bajo estudio con otras reas de la
organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para
tomar una decisin, etc. Este proceso de definir el problema es crucial ya que
afectar en forma significativa la relevancia de las conclusiones del estudio. Es
difcil extraer una respuesta "correcta" a partir de un problema "equivocado"!
14

http://www.mitecnologico.com/Main/ProcesosEstocasticos

34

Por su naturaleza, la investigacin de operaciones se encarga del bienestar de

toda la organizacin, no slo de algunos de sus componentes. Un estudio de IO
busca soluciones ptimas globales y no soluciones subptimas aunque sean lo
mejor para uno de los componentes. Entonces, idealmente, los objetivos que se
formulan debe coincidir con los de toda la organizacin. Sin embargo, esto no
siempre es conveniente. Muchos problemas interesan nada ms a una parte de
la organizacin, de manera que el anlisis sera innecesariamente besado si los
objetivos fueran muy generales y si se prestara atencin especial a todos los
efectos secundarios sobre el resto de la organizacin. En lugar de ello, los
objetivos usados en un estudio deben ser tan especficos 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 (situacin actual) y lo que debe ser
(situacin deseada u objetivo) y adems 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 organizacin; c) el
sistema o ambiente en el que se sita el problema; d) Los cursos de accin
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
accin, 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.

FORMULACIN DE UN MODELO MATEMTICO

Una vez definido el problema del tomador de decisiones, la siguiente etapa
consiste en reformularlo de manera conveniente para su anlisis. La forma
convencional en que la investigacin de operaciones realiza esto es construyendo
un modelo matemtico que represente la esencia del problema. Antes de analizar
35

como formular los modelos de este tipo, se explorar la naturaleza general de los
modelos y, en particular, la de los modelos matemticos.
El modelo matemtico est constituido por relaciones matemticas (ecuaciones y
desigualdades) establecidas en trminos de variables, que representa la esencia
el problema que se pretende solucionar.
Para construir un modelo es necesario primero definir las variables en funcin de
las cuales ser establecido. Luego, se procede a determinar matemticamente
cada una de las dos partes que constituyen un modelo: a) la medida de
efectividad que permite conocer el nivel de logro de los objetivos y generalmente
es una funcin (ecuacin) llamada funcin objetivo; b) las limitantes del problema
llamadas restricciones que son un conjunto de igualdades o desigualdades que
constituyen las barreras y obstculos para la consecucin del objetivo.
Un modelo siempre debe ser menos complejo que el problema real, es una
aproximacin abstracta de la realidad con consideraciones y simplificaciones que
hacen ms manejable el problema y permiten evaluar eficientemente las
alternativas de solucin.
Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal
del problema. Una ventaja obvia es que el modelo matemtico describe un
problema en forma mucho ms concisa. Esto tiende a hacer que toda la
estructura del problema sea ms comprensible y ayude a revelar las relaciones
importantes entre causa y efecto. De esta manera, indica con ms claridad que
datos

adicionales

son

importantes

para

el

anlisis.

Tambin

facilita

simultneamente el manejo del problema en su totalidad y el estudio de todas sus

interpelaciones. Por ltimo, un modelo matemtico forma un puente para poder
emplear tcnicas matemticas y computadoras de alto poder, para analizar el
problema. Sin duda, existe una amplia disponibilidad de paquetes de software
para muchos tipos de modelos matemticos, para micro y minicomputadoras.
Por otro lado, existen obstculos que deben evitarse al usar modelos
matemticos. Un modelo es, necesariamente, una idealizacin abstracta del
problema, por lo que casi siempre se requieren aproximaciones y suposiciones de
simplificacin si se quiere que el modelo sea manejable (susceptible de ser
resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una
representacin vlida del problema. El criterio apropiado para juzgar la validez de
un modelo es el hecho de si predice o no con suficiente exactitud los efectos
36

relativos de los diferentes cursos de accin, para poder tomar una decisin que
tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o
factores que tienen aproximadamente el mismo efecto sobre todas las opciones.
Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad
sea aproximadamente correcta para las diferentes alternativas, siempre que sus
valores relativos (es decir, las diferencias entre sus valores) sean bastante
preciso. Entonces, todo lo que se requiere es que exista una alta correlacin entre
la prediccin del modelo y lo que ocurre en la vida real. Para asegurar que este
requisito se cumpla, es importante hacer un nmero considerable de pruebas del
modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se haya
colocado despus en el orden del libro, gran parte del trabajo de validacin del
modelo se lleva a cabo durante la etapa de construccin para que sirva de gua
en la obtencin del modelo matemtico.

OBTENCIN DE UNA SOLUCIN 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
propsito 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 seleccin del mtodo de solucin depende de las caractersticas del modelo.
Los procedimientos de solucin pueden ser clasificados en tres tipos: a)
analticos, que utilizan procesos de deduccin matemtica; b) numricos, que son
de carcter inductivo y funcionan en base a operaciones de prueba y error; c)
simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a
un modelo.
Muchos de los procedimientos de solucin tienen la caracterstica de ser
iterativos, es decir buscan la solucin en base a la repeticin de la misma regla
analtica hasta llegar a ella, si la hay, o cuando menos a una aproximacin.

37

PRUEBA DEL MODELO

El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos
al desarrollo de un programa de computadora grande. Cuando se completa la
primera versin, 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, despus de una larga serie de
programas mejorados, el programador (o equipo de programacin) concluye que
el actual da, en general, resultados razonablemente vlidos. Aunque sin duda
quedarn algunas fallas ocultas en el programa (y quiz nunca se detecten, se
habrn eliminado suficientes problemas importantes como para que sea confiable
utilizarlo.
De manera similar, es inevitable que la primera versin de un modelo matemtico
grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones
relevantes no se incorporaron al modelo y algunos parmetros no se estimaron
correctamente. Esto no se puede eludir dada la dificultad de la comunicacin y la
compresin de todos los aspectos y sutilezas de un problema operacional
complejo, as 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, despus de una larga serie
de modelos mejorados, el equipo de IO concluye que el modelo actual produce
resultados razonablemente vlidos. Aunque sin duda quedarn algunos
problemas menores ocultos en el modelo (y quiz nunca se detecten), las fallas
importantes se habrn 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 validacin 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 rboles".
Entonces, despus de completar los detalles ("los rboles") de la versin 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 revisin debe, de preferencia, incluir por lo menos a una persona que
no haya participado en la formulacin. Al examinar de nuevo la formulacin del
problema y comprarla con el modelo pueden descubrirse este tipo de errores.
38

Tambin es til asegurarse de que todas las expresiones matemticas sean

consistentes en las dimensiones de las unidades que emplean. Adems, puede
obtenerse un mejor conocimiento de la validez del modelo variando los valores de
los parmetros de entrada y/o de las variables de decisin, y comprobando que
los resultados del modelo se comporten de una manera factible. Con frecuencia,
esto es especialmente revelador cuando se asignan a los parmetros o a las
variables valores extremos cercanos a su mximo o a su mnimo.
Un enfoque ms sistemtico para la prueba del modelo es emplear una prueba
retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y
reconstruye el pasado para determinar si el modelo y la solucin resultante
hubieran tenido un buen desempeo, de haberse usado. La comparacin de la
efectividad de este desempeo hipottico con lo que en realidad ocurri, indica si
el uso del modelo tiende a dar mejoras significativas sobre la prctica actual.
Puede tambin indicar reas en las que el modelo tiene fallas y requiere
modificaciones. Lo que es ms, el emplear las alternativas de solucin y estimar
sus desempeos histricos hipotticos, se pueden reunir evidencias en cuanto a
lo bien que el modelo predice los efectos relativos de los diferentes cursos de
accin.
Cuando se determina que el modelo y la solucin no son vlidos, es necesario
iniciar nuevamente el proceso revisando cada una de las fases de la metodologa
de la investigacin de operaciones.

ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCIN

Una solucin establecida como vlida para un problema, permanece como tal
siempre y cuando las condiciones del problema tales como: las variables no
controlables, los parmetros, las relaciones, etc., no cambien significativamente.
Esta situacin se vuelve ms factible cuando algunos de los parmetros fueron
estimados aproximadamente. Por lo anterior, es necesario generar informacin
adicional sobre el comportamiento de la solucin debido a cambios en los
parmetros del modelo. Usualmente esto se conoce como anlisis de
sensibilidad. En pocas palabras, esta fase consiste en determinar los rangos de
variacin de los parmetros dentro de los cuales no cambia la solucin del
problema.
39

IMPLANTACIN DE LA SOLUCIN
El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a
lo largo del proceso a los ejecutivos o tomadores de decisiones. Una vez
superado ste obstculo, se debe traducir la solucin encontrada a instrucciones
y operaciones comprensibles para los individuos que intervienen en la operacin
y administracin del sistema. La etapa de implantacin de una solucin se
simplifica en gran medida cuando se ha propiciado la participacin de todos los
involucrados en el problema en cada fase de la metodologa. Preparacin para
la aplicacin del modelo
Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los
beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe,
tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a
un procedimiento operativo, como para corregir cualquier defecto en la solucin
que salga a la luz en este momento.
El xito de la puesta en prctica depende en gran parte del apoyo que
proporcionen tanto la alta administracin como la gerencia operativa. Es ms
probable que el equipo de IO obtenga este apoyo si ha mantenido a la
administracin bien informada y ha fomentado la gua de la gerencia durante el
estudio. La buena comunicacin ayuda a asegurar que el estudio logre lo que la
administracin quiere y por lo tanto merezca llevarse a la prctica. Tambin
proporciona a la administracin el sentimiento de que el estudio es suyo y esto
facilita el apoyo para la implantacin.
La etapa de implantacin incluye varios pasos. Primero, el equipo de
investigacin de operaciones de una cuidadosa explicacin a la gerencia
operativa sobre el nuevo sistema que se va a adoptar y su relacin con la
realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de
desarrollar los procedimientos requeridos para poner este sistema en operacin.
La gerencia operativa se encarga despus de dar una capacitacin detallada al
personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene
xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en
mente, el equipo de IO supervisa la experiencia inicial con la accin tomada para
identificar cualquier modificacin que tenga que hacerse en el futuro.

40

A la culminacin del estudio, es apropiado que el equipo de investigacin de

operaciones documento su metodologa con suficiente claridad y detalle para que
el trabajo sea reproducible. Poder obtener una rplica debe ser parte del cdigo
de tica profesional del investigador de operaciones. Esta condicin es crucial
especialmente cuando se estudian polticas gubernamentales en controversia.

41

Captulo 3 Mtodos de Investigacin de

Operaciones.

42

3.1 El problema de Transporte

El problema del transporte15 es un planteamiento clsico de las tcnicas de
programacin lineal. En este problema se pretende elegir el camino ptimo de
envo de una mercanca desde varios orgenes (por ejemplo, plantas de
produccin) a diferentes destinos (centros de almacenamiento o consumo), de
forma que el coste sea mnimo.
Como en todo problema de programacin lineal, han de cumplirse las
siguientes etapas:
1. Definir las variables del problema (por ejemplo, las cantidades de partida
solicitadas en cada destino, el coste de envo de una unidad de
mercanca a cada destino).
2. Escribir conceptualmente el sistema de inecuaciones asociado a las
restricciones del problema (por ejemplo, el nmero de unidades
mximas producidas en cada origen y las requeridas en cada destino).
3. Definir conceptualmente la funcin objetivo, que determina el coste.
Resolucin del problema del transporte
Una vez planteado el problema, se construye una tabla de distribucin, de la
que se obtienen las expresiones matemticas de las inecuaciones del sistema
y la funcin objetivo. Para resolverla se usan los mtodos grficos o
algebraicos comunes de la programacin lineal.

15

http://www.hiru.com/es/

43

El mtodo del smplex y la informtica

El primer modelo informtico de programacin del mtodo del smplex data de
1952, obra de la Oficina de Normas de los Estados Unidos en su ordenador
SEAC. Al ao siguiente, varios modelos de ordenadores IBM de gran tamao
estaban ya equipados con programas especializados en esta tcnica. Las
empresas de la competencia se sumaron pronto a esta iniciativa, hasta el punto
de que, hoy en da, es difcil imaginar una actividad de planificacin u
optimizacin econmica o industrial que no aplique el mtodo del smplex
mediante ordenadores.
George Bernard Dantzig (1914), matemtico estadounidense, es reconocido
como el creador, en 1947, del mtodo del smplex para hallar soluciones
ptimas en problemas de programacin lineal con tres o ms variables.
Optimizacin mnima

44

En el mtodo del smplex, en problemas de optimizacin mnima, la variable de

decisin que entra en la base es aquella cuyo valor sea el mayor de los
positivos, y el procedimiento finaliza cuando todos los trminos de la ltima fila
de la tabla son negativos.
Apunte histrico
El problema del transporte fue analizado en profundidad en la dcada de 1940
por los matemticos F. L. Hitchcock y T. P. Koopmans En esos mismos aos,
G. Stigler aplic tcnicas similares para determinar los regmenes alimenticios
ptimos en las personas.

Figura 3. Esquema grfico de distribucin de una mercanca desde dos centros

de origen a tres destinos posibles.

45

3.1.1 Solucin Bsica Inicial

La programacin lineal es una herramienta de modelos cuantitativos para
manejar diferentes tipos de problemas y ayudar a la toma de decisiones.
El modelo de transporte se considera un instrumento por medio del cual un
administrador debe determinar la mejor forma de como hacer llegar los
productos de sus diversos almacenes a sus consumidores, con el fin de
satisfacer las demandas de los clientes y a un costo mnimo.
El modelo de transporte es un problema de optimizacin de redes donde debe
determinarse como hacer llegar los productos desde los puntos de existencia
hasta

los

puntos

de

demanda,

minimizando

los

costos

de

envo.

El modelo busca determinar un plan de transporte de una mercanca de varias

fuentes

a varios destinos. Entre los datos del modelo se cuenta:

1.- Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.

2.- El costo de transporte unitario de la mercanca de cada fuente a cada
destino.
El modelo se utiliza para realizar actividades como: control de inventarios,
programacin del empleo, asignacin de personal, flujo de efectivo,
programacin de niveles de reservas en prensas entre otras.
3.1.1.1 Mtodo de la Esquina Noroeste16
Mediante el uso del mtodo simplex se pueden resolver los modelos de
transporte y de cualquier otro tipo de problemas de programacin lineal. Sin
embargo debido a la estructura especial de modelo de transporte, podemos
utilizar otro mtodo que se ha diseado para aprovechar las caractersticas de
los problemas de transporte.
Los mtodo de esquina noroeste, costo mnimo y aproximacin de Vogel, son
alternativas para encontrar una solucin inicial factible.
Este mtodo es considera el ms fcil. Es tambin considerado por ser el
menos probable para dar una buena solucin inicial y de bajo costo porque
ignora la magnitud relativa de los costos Cij.
16

http://www.itlalaguna.edu.mx/Academico/Carreras/industrial/invoperaciones1/U5B.HTML

46

Antes de describir el procedimiento, es necesario establecer que el nmero de

variables bsicas en cualquier solucin bsica de un problema de transporte es
una menos de la que se espera. Normalmente, en los problemas de
programacin lineal, se tiene una variable bsica para cada restriccin. En los
problemas de transporte con m recursos y n destinos el nmero de
restricciones funcionales es m + n. Sin embargo, el nmero de variables
bsicas = m + n 1. Este procedimiento esta dado por los siguientes tres
pasos:
1.- Seleccionar la celda de la esquina noroeste (esquina superior izquierda)
para envo.
2.- Efectuar el ms grande envo como pueda en la celda de la esquina
noroeste.
Esta operacin agotar completamente la disponibilidad de suministros en un
origen o los requerimientos de demanda en un destino.
3.- Corrija los nmeros de suministro y los requerimientos para reflejar lo que
va quedando de suministro y requerimiento y regresar al paso 1
De manera general queda descrito de la siguiente manera
Se comienza asignando la cantidad mxima permisible para la oferta y la
demanda a la variable X11 (la que est en la esquina noroeste de la tabla).
La columna o rengln satisfechos se tacha indicando que las variables
restantes en la columna o rengln tachado son igual a cero. Si la columna y el
rengln se satisfacen simultneamente, nicamente uno (cualquiera de los dos)
debe tacharse. Esta condicin garantiza localizar las variables bsicas cero si
es que existen. Despus de ajustar las cantidades de oferta y demanda para
todos los renglones y columnas no tachados, la cantidad mxima factible se
asigna al primer elemento no tachado en la nueva columna o rengln. El
procedimiento termina cuando exactamente un rengln o una columna se dejan
sin tachar.
Ejemplo:
Una compaa tiene 3 almacenes con 15, 25 y 5 artculos disponibles
respectivamente. Con estos productos disponibles desea satisfacer la demanda
de 4 clientes que requieren 5, 15, 15 y 10 unidades respectivamente. Los

47

costos asociados con el envo de mercanca del almacn al cliente por unidad
se dan en la siguiente tabla.

Clientes
Almacn

10

20

11

12

20

14

16

18

Tabla 2. Costos asociados con el envo de mercanca del almacn al cliente por
unidad.
Construya la solucin bsica inicial por el mtodo de la esquina noroeste.

Tabla 3. Solucin bsica inicial por el mtodo de la esquina noroeste

Solucin inicial
X11= 5 art.
X12= 10 art.
X22= 5 art.

48

X23= 15 art.
X24= 5 art.
X34= 5 art.

3.1.1.2 Mtodo del Costo Mnimo17

Este es un procedimiento que se utiliza tomando como base a las rutas que
tengan el menor costo:
El procedimiento es el siguiente:
Asgnese el valor ms grande posible a la variable con menor costo unitario de
toda la tabla. (Los empates se rompen arbitrariamente). Tchese el rengln o
columna satisfecho. (Como en el mtodo de la esquina noroeste, si una
columna y un rengln se satisfacen de manera simultnea, slo una puede
tacharse). Despus de ajustar la oferta y la demanda de todos los renglones y
columnas no tachados, reptase el proceso asignando el valor ms grande
posible a la variable con el costo unitario no tachado ms pequeo. El
procedimiento esta completo cuando queda exactamente un rengln o una
columna sin tachar.

1
1

2
10

3
0

15
12

14

20

25

18

9
15

15

15

5
5

11

20

10
16

15

10

Tabla 4. Tabla del mtodo de Costo Mnimo

17

www.sicoes.gov.bo/documentos/02-0356-00-5192-1-1_C_20061103143042.doc

49

3.1.1.3 Mtodo de Aproximacin de Vogel18

Este mtodo es heurstico y suele producir una mejor solucin inicial que los
dos mtodos antes descritos. De hecho, VAM suele producir una solucin
inicial ptima, o prxima al nivel optimo.
Los pasos del procedimiento son los siguientes:
Paso1: Evalese una penalizacin para cada regln restando el menor
elemento del costo del rengln del elemento de costo menor siguiente en el
mismo rengln.
Paso2: Identifquese el rengln o columna con la mayor

penalizacin,

rompiendo empates en forma arbitraria. Asgnese el valor mayor posible a la

variable con el costo mas bajo del rengln o columna seleccionado. Ajstese la
oferta y la demanda y tchese el rengln o columna satisfecho. Si un rengln o
columna se satisfacen al mismo tiempo, solo uno de ellos se tacha y al rengln
restante se le asigna una oferta cero. Cualquier rengln o columna con oferta o
demanda cero no debe utilizarse para calcular penalizaciones futuras.
Paso 3:
a.- Si solo hay un rengln o columna sin tachar, detngase.
b.-Si solo hay un rengln con oferta positiva sin tachar, determnense las
variables bsicas del rengln a travs del mtodo del costo mnimo.
c.-Si todos los renglones y columnas sin tachar tienen oferta o demanda cero
asignadas, determnese las variables bsicas cero a travs del mtodo del
costo mnimo. Detngase.
d.-De lo contrario, calclense las penalizaciones de las renglones y columnas
no tachados y despus dirjase al paso 2.

18

Ibidem

50

1
1

10

20

11

PR
15

12

20

25

14

16

18

14

3
PC

5
5
10

15
7

15
7

10

10
7

Tabla 5. Tabla de inicio del mtodo de Aproximacin de Vogel

PR = Penalizacin de Rengln
PC = Penalizacin de Columna
1

1
10

2
0

3
20

4
11

PR
15

12

20

25

10

11

15

PC

5
5
-

15
7

15
11

10
9

Tabla 6. Tabla solucin del mtodo de Aproximacin de Vogel.

CONCLUSION:
Se han presentado varios mtodos para obtener una solucin al problema de
transporte u otro semejante. Una consideracin muy importante que hay que
tener en cuenta con cualquier mtodo que se utilice, es que el problema de
transporte no siempre puede aislarse y resolverse dentro de sus propios
lmites. El transporte es tan slo una parte de todo el sistema de distribucin
de la compaa. Es muy difcil resolver el mejor programa de transporte en
trminos de servicio y bajo costo. Esa rea de la empresa requiere de una
constante atencin para incorporar los cambios que constituyan y una difcil
tarea para cualquier grupo de investigaciones de negocios.

51

3.2 Aplicacin del software WINQSB para resolver el problema

de transporte.
El Winqsb o QSB -Quantitative System Business, es un software de ayuda a la
toma de decisiones que contiene herramientas muy tiles para resolver
distintos tipos de problemas en el campo de la investigacin de operaciones.
Winqsb

nos

permite

solucionar

una

gran

cantidad

de

problemas:

administrativos, de produccin, de recursos humanos, direccin de proyectos,

etc.

52

Figura 4. Mdulos del WINQSB

53

El software est formado por distintos mdulos, uno para cada tipo de modelo o
problema. Entre ellos estn:
Linear Programming (LP) e Integer Linear Programming (ILP): Para
resolver los problemas de LP, este Programa usa el mtodo simplex o el
mtodo grfico y para los problemas de ILP usa el procedimiento branch-andbound.
Linear Goal Programming (GP) e Integer Linear Goal Programming (IGP):
Este programa, para resolver los problemas de GP, usa el mtodo simplex
modificado o el mtodo grfico y para los problemas de IGP usa el
procedimiento branch-and-bound.
Quadratic Programming (QP) e Integer Quadratic Programming (IQP): Este
programa usa el mtodo simplex modificado o el mtodo grfico, para resolver
los problemas de QP y el procedimiento branch-and-bound para los problemas
de IQP.
Nonlinear Programming (NLP): Este programa resuelve los problemas no
lineales no forzados con el mtodo de bsqueda y los problemas no lineales
forzados con el mtodo de la funcin de castigo.
Network Modeling (NET): Este mdulo, resuelve los problemas de red,
inclusive, por ejemplo, flujo de red (transbordo), transporte, asignacin,
caminos cortos, mximo flujo, cruces mnimos y problemas de viajes de
vendedores.
Dynamic Programming (DP): Resuelve 3 tipos populares de problemas
dinmicos: Diligencia, mochila y problemas de planeacin de produccin e
inventarios.
PERT/CPM: Este mdulo resuelve los problemas de planeacin de proyectos,
por el mtodo de ruta crtica y la tcnica de evaluacin y revisin. As mismo
realiza anlisis de choque, anlisis de costos, anlisis de probabilidad y
simulacin.
Queuing analysis (QA): Este programa resuelve el rendimiento de sistemas
de colas de etapa simple, para lo cual usa la formula de cercana, aproximacin
o simulacin.
Queuing system simulation (QSS): Este programa modela y simula sistemas
de colas simples y multietapas con componentes; incluye arribo de poblaciones
de clientes , servidores, colas y/o colectores de basuras.
54

Inventory theory and systems (ITS) : Resuelve problemas de control de

inventarios: problemas de cantidades econmicas a pedir (EOQ), problemas de
descuento de cantidad de la orden, problemas de periodos probabilsticos
simples y problemas de tamao dinmico de lotes; y evala y simula 4
sistemas de control de inventarios: (s, Q), (s, S), (R, S) y (R, s, S).
Forecasting (FC): Este mdulo resuelve proyecciones de series de tiempo,
mediante 11 diferentes mtodos, y, adems, utiliza regresiones lineales de
mltiples variables.
Decision analisys (DA): El programa resuelve 4 tpicos problemas de
decisin: Anlisis Beyesiano, anlisis de tablas de rentabilidad, anlisis de
rbol de decisin y la teora del juego de cero suma.
Markov process (MKP): Este programa resuelve y analiza el proceso de
Markov.
Quality control charts (QCC): Construye grficos de control de calidad para
variables y datos de atributos y, as mismo, realiza anlisis de grficas
relacionadas.
Acceptance sampling analysis (ASA): Este programa desarrolla y analiza los
planes de muestreos de tolerancias para atributos y caractersticas de calidad
variable.
Job scheduling (JOB): Este programa resuelve los problemas de taller de
tareas y programacin del flujo de trabajo, para lo cual uiliza generacin
heurstica y aleatoria.
Aggregate planning (AP): Soluciona los problemas de planeamiento agregado
a las demandas de satisfaccin del consumidor, con costos relacionados
mnimos o aceptables .
Facility location and layout (FLL): Este mdulo resuelve los problemas de
facilidades de localizacin, disposicin funcional y balanceo de lnea de
produccin.
Material requirements planning (MRP): El programa efecta la planeacin de
requerimiento de materiales y determina qu, cundo y cunto cuestan los
materiales y componentes requeridos para satisfacer un plan de fabricacin de
productos

finales

para

un

horizonte

de

planeacin.

WinQSB utiliza los mecanismos tpicos de la interface de Windows, es decir,

55

ventanas, mens desplegables, barras de herramientas, etc. Por lo tanto, el

manejo del programa es similar a cualquier otro que utilice el entorno Windows.
A continuacin utilizando el modulo Network Modeling (NET): se resuelve un
ejemplo del Problema de Transporte.

3.2.1 Ejemplo del Problema de Transporte.

Uno de los productores de la compaa el montecito, es el chcharo enlatado,
los chcharos se preparan en tres enlatadoras y despus se envan por camin
a cuatro almacenes de distribucin.
Como los costos de embarque constituyen un gasto importante, la gerencia ha
iniciado un estudio para reducirlos lo mas que se pueda. Se ha hecho una
estimacin de la produccin de cada enlatadora para la prxima temporada y
se ha asignado a cada almacn cierta cantidad de la produccin total de
chcharos. En la siguiente tabla se proporciona esta informacin (en unidades
de carga del camin), junto con el costo de transporte por camin cargado para
cada combinacin de enlatadora almacn.

Costo de embarque ($) por carga

Produccin

almacn
1
Enlatadora
1
Enlatadora
2
Enlatadora
3
Asignacin

464

513

654

867

75

352

416

690

791

125

995

682

388

685

100

80

65

70

85

Tabla 7. Costos de embarque ($) por carga de la enlatadora al almacn.

Como se ve hay un total de 300 cargas de camin que se deben transportar. El
problema es determinar el plan de asignacin de embarques a las distintas

56

combinaciones de enlatadora almacn que minimicen el costo total del

transporte.
Si se ignora la distribucin geogrfica de las enlatadoras y los almacenes se
puede proporcionar una sencilla representacin en red del problema alineando
las enlatadoras en una columna a la izquierda y los almacenes en otra a la
derecha.

464
75

W1

C1

513
654

352

867

W2
125

-80

-65

416

C2

690
791
995

W3

-70

682
100

C3

388

685
W4

-85

Figura 5. Representacin del problema de transporte mediante una red

Las flechas indican las rutas posibles para camiones donde el nmero junto a
cada flecha es el costo de envo por cada camin para esa ruta. Los nmeros
en los cuadros junto a cada localidad son las cargas de camin que deben
enviarse desde ese lugar (la asignacin que debe llegar a cada almacn esta
dada como nmeros negativos).
El problema descrito es un problema de programacin lineal del tpo de
problema de transporte. Para formularlo, sea Z el costo total de transporte y
sea Xij (i = 1, 2, 3; j = 1, 2, 3, 4) el nmero de cargas de camin enviadas a la
enlatadora i al almacn j.
57

El objetivo es seleccionar valores de estas 12 variables de decisin (las Xij)

para
Minimizar Z = 464X11 + 513X12 + 654X13 + 867X14 + 352X21 + 416X22 + 690X23
+ 791X24 + 995X31 + 682X32 + 388X33 + 685X34
Sujeto a las restricciones de la siguiente tabla general, es decir; lo que
distingue a este problema como un problema de transporte es la estructura
especial en el patrn de estos coeficientes, no es su contexto
X11 + X12 + X13 + X14

= 75
X21 + X22 + X23 + X24

= 125

Restriccio
nes de
enlatadora

X31 + X32 + X33 + X34 = 100

+ X21

X11
X12

+ X31
+ X22

+ X32
+ X23

X13

= 80

X14

= 65
+ X33

+ X24

= 70

Restriccion
es de
almacn

+ X34 = 80

Y Xij 0 (i = 1, 2, 3; j = 1, 2, 3, 4)
Usando el software WINQSB para resolver este problema nos lleva a la
siguiente pantalla.

58

Figura 6. Pantalla de Network Modeling del WINQSB

59

Posteriormente, alimentamos al software la informacin proporcionada por el

problema de transporte, quedando el tableau descrito de la siguiente forma.

Figura 7. Pantalla de los costos de embarque ($) por carga desde la enlatadora
al almacn.

60

La siguiente pantalla nos presenta la solucin del ejemplo del problema de

transporte desplegando los orgenes y sus destinos, con la funcin Z evaluada,
as como los costos para cada envo y el total.

Figura 8. Pantalla de la solucin del ejemplo del problema de transporte.

61

El software puede desplegar la solucin total para cada uno de los orgenes y
destinos considerados de manera global, tal como lo muestra en el anlisis
previo del problema en la representacin grfica, mostrando los costos totales y
unitarios por envo.

Figura 9. Pantalla de solucin total del ejemplo del problema de transporte.

62

En el desplegado de la siguiente pantalla se muestra el resultado de manera

grfica de los envos a los destinos mostrando de manera grfica cuales son
los recorridos desde los orgenes, para satisfacer la demanda de pedidos.

Figura 10. Pantalla de solucin grfica del ejemplo del problema de transporte.

63

El software despliega en pantalla los recorridos ptimos desde el origen hasta

el destino.

Figura 11. Pantalla de rango de optimalidad para el problema de transporte.

64

El siguiente desplegado en pantalla del software WINQSB, nos puede mostrar

cual es el rango de viabilidad de los orgenes a cada uno de los destinos.

Figura 12. Pantalla de rango de viabilidad para el problema de transporte.

65

Una herramienta importante para la toma de decisiones, es la que presenta el

software WINQSB, ya que esta nos permite realizar ajustes o cambios menores
en los nodos y en las ligas, de tal forma que podamos realizar un ajuste al
problema y podamos realizar una simulacin al problema de transporte.

Figura 13. Pantalla de cambios menores al problema para su nueva resolucin

al problema de transporte.

66

Para un anlisis mas complejo del problema de transporte, el software

despliega un anlisis paramtrico para cada uno de los orgenes y destinos
analizando los nodos y las ligas.

Figura 14. Pantalla de anlisis paramtrico en funcin de la funcin objetivo al

problema para su nueva resolucin al problema de transporte.

67

El software WINQSB nos permite elegir para encontrar una solucin bsica
factible inicial, entre varios mtodos, algunos de ellos son el mtodo de la
esquina noroeste, el mtodo de aproximacin de vogel, el mtodo de
aproximacin de Russel, por citar algunos.

Figura 15. Pantalla de la eleccin de la solucin inicial del mtodo simplex al

problema de transporte.

68

Conclusiones
Como su nombre lo dice, Investigacin de Operaciones significa "hacer
investigacin sobre las operaciones. Esto dice algo del enfoque como del rea
de aplicacin. Entonces, la Investigacin de Operaciones se aplica a problemas
que se refieren a la conduccin y coordinacin de operaciones o actividades
dentro de una organizacin. La naturaleza de la organizacin es esencialmente
inmaterial y, de hecho, la Investigacin de Operaciones se ha aplicado en los
negocios, la industria, la milicia, el gobierno, los hospitales, etc. As, la gama de
aplicaciones es extraordinariamente amplia. Casi todas las organizaciones ms
grandes del mundo (alrededor de una docena) y una buena proporcin de las
industrias

ms

pequeas

cuentan

con

grupos

bien

establecidos de

Investigacin de Operaciones. Muchas industrias, incluyendo el rea de

proyectiles, la automotriz, la de comunicaciones, computacin, energa
elctrica, electrnica, alimenticia, metalrgica, minera, del papel, del petrleo y
del transporte,

han empleado la

Investigacin

de Operaciones. Las

instituciones financieras, gubernamentales y de salud estn incluyendo cada

vez ms estas tcnicas.
Para ser ms especficos, se consideran algunos problemas que se han
resuelto mediante algunas tcnicas de Investigacin de Operaciones. La
programacin lineal se ha usado con xito en la solucin de problemas
referentes a la asignacin de personal, la mezcla de materiales, la distribucin
y el transporte y las carteras de inversin. La programacin dinmica se ha
aplicado con buenos resultados en reas tales como la planeacin de los
gastos de comercializacin, la estrategia de ventas y la planeacin de la
produccin. La teora de colas ha tenido aplicaciones en la solucin de
problemas referentes al congestionamiento del trfico, al servicio de mquinas
sujetas a descomposturas, a la determinacin del nivel de la mano de obra, a la
programacin del trfico areo, al diseo de presas, a la programacin de la
produccin y a la administracin de hospitales. Otras tcnicas de Investigacin
de Operaciones, como la teora de inventarios, la teora de juegos y la
simulacin, han tenido exitosas aplicaciones en una gran variedad de
contextos.

69

Por lo antes mencionado la Investigacin de Operaciones y en especial el

problema del transporte, juegan un papel primordial para la optimizacin y la
toma de decisiones en diversas reas.
Una caracterstica adicional, que se mencion como de manera breve, es que
la Investigacin de Operaciones intenta encontrar la mejor solucin, o la
solucin ptima, al problema bajo consideracin. En lugar de contentarse con
slo mejorar el estado de las cosas, la meta es identificar el mejor curso de
accin posible. An cuando debe interpretarse con todo cuidado, esta
"bsqueda de la optimalidad" es un aspecto muy importante dentro de la
Investigacin de Operaciones.
En el trabajo anterior se desarrolla de manera especfica el problema del
transporte, planteando tres mtodos para encontrar la solucin inicial bsica
factible, los cuales son: el mtodo de la Esquina Noroeste, el mtodo del Costo
Mnimo, y el mtodo de Aproximacin de Voguel. En ese sentido, se observa
que al desarrollar dichos mtodos se realiza un gran esfuerzo fsico e
intelectual para lograr realizar una toma de decisiones optima en el problema
de transporte. Recordemos que la toma de decisiones para el problema del
transporte en la Investigacin de Operaciones, nos permite decidir o elegir el
camino optimo de envo de mercancas desde varios orgenes (por ejemplo:
plantas de produccin) a diferentes destinos (centros de almacenamiento o
consumo), de forma que el coste sea mnimo. Para ello se utilizan mtodos, los
cuales en algunos casos son muy laboriosos y requieren un gran esfuerzo
intelectual; el software WINQSB, ayuda a simplificar este aspecto y podemos
realizar infinidad de modelados para observar el comportamiento de un
problema en cuestin, con la consecuencia lgica de la mejora en la toma de
decisiones.
Es por ello que se consider necesario mostrar el alcance del software
WINQSB para solucionar el problema del transporte y la toma de decisiones en
Investigacin de Operaciones.

70

Bibliografa
1. Bellini F. M. Investigacin de Operaciones. CURSO DE LA ESCUELA DE
ADMINISTRACIN Y CONTADURA UNIVERSIDAD SANTA MARIA
Caracas Venezuela. Marzo-julio 2004. (documento web)
8 marzo del 2009
http://www.investigacion-operaciones.com/Aplicaciones_IO.htm
2. Bellini F. M. Investigacin de Operaciones. CURSO DE LA ESCUELA DE
ADMINISTRACIN Y CONTADURA UNIVERSIDAD SANTA MARIA
Caracas Venezuela. Marzo-julio 2004. (documento web)
8 marzo del 2009
http://www.investigacion-operaciones.com/conceptos_modelos.htm#rormsintro

3. Bellini F. M. Investigacin de Operaciones. CURSO DE LA ESCUELA DE

ADMINISTRACIN Y CONTADURA UNIVERSIDAD SANTA MARIA
Caracas Venezuela. Marzo-julio 2004. (documento web)
9 marzo del 2009
http://www.investigacion-operaciones.com/conceptos_modelos.htm#rClassmodels

4. Cuevas M.

Rafael

J.

Matemticas

para

la toma

de

decisiones.

www.itson.mx. ITESCAM.EDU.MX (Documento web).

19 de marzo del 2009
http://www.itson.mx/dii/elagarda/apagina2001/PM/uno.html#historia
5. Dagoflores. Investigacin de Operaciones.
Wikipedia.Mxico/AGS/Aguascalientes/--[[Usuario:Dagoflores|Dagoflores]]
20:24 10 dic 2006 (CET). (documento web).
8 de marzo del 2009
http://es.wikipedia.org/wiki/Investigaci%C3%B3n_de_operaciones
6. Fernandez L. J. Curso: Investigacin de Operaciones. Universidad Nacional
Agraria La Molina, Departamento Acadmico de Economa. (La Molina,
Lima- Per. 1999). (Documento web).
11 de marzo 2009.
http://tarwi.lamolina.edu.pe/~leojeri/WEB-%20CLASE1y%20Modelos.htm

7. Hossein Arsham. Modelos determinsticos: Optimizacin Lineal.

http://ubmail.ubalt.edu/~harsham/index.html. s/f. (Documento web).
10 de marzo del 2009

71

http://www.investigacion-operaciones.com/Modelos_Deterministicos.htm

8. Ibaez Raul. Mtodo del Simplex y Problema de Trasporte. www.hiru.com

s/f. (Documento web). Gobierno Vasco, Departamento de Educacin
Universidades e Investigacin.
29 de marzo del 2009
http://www.hiru.com/es/
9. Moreno P. Rafael Alberto. Modelos Estocsticos. Universidad de San Buena
Ventura.
http://docencia.50webs.com/index.html s/f. (Documento web)
18 marzo del 2009
http://docencia.50webs.com/Docs/Simula/Modelo.ppt
10. s/a. Procesos estocsticos. www.mitecnologico.com. s/f. (Documento web)
29 de marzo del 2009
www.mitecnologico.com/Main/ProcesosEstocasticos
11. s/a. Mtodos para encontrar una solucin bsica inicial.
www. Itlalaguna.edu.mx. s/f. (Documento web).
16 de marzo del 2009.
http://www.itlalaguna.edu.mx/Academico/Carreras/industrial/invoperaciones1/U5B.HTML

12. s/a. Modelo de transporte. www.sicoes.gov.bo . s/f. (Documento web).

17 de marzo del 2009
www.sicoes.gov.bo/documentos/02-0356-00-5192-1-1_C_20061103143042.doc

13. Bieman Harold, Bonini Charles y Hausman Warren. (1.999) Anlisis

cuantitativo para los negocios. 9 cd. Bogota: Mc Graw Hill.
14. Hiller Frederick y Lieberinan Gerald. (1.993) Introduccin a la investigacin
de operaciones. 5 cd. Mexico: Mc Graw Hill.
15. Taha Hamdy. (1.998) Investigacin de operaciones, una introduccin. 6 cd.
Mxico: Prentice Hall.

72

Anexos

73

Soluciones
Reales

Soluciones
Enteras

Programacin
de Actividades

Pronsticos
de
Demanda

DIAGNSTICO

Medio
Ambiente

Optimizacin
de Redes
Soluciones
orientadas a la
distribucin
ptima

Programacin
Dinmica
Soluciones en
Etapas continuas

Soluciones por
etapas (n+1)

Control de
Inventarios

Simulacin
de Sistemas
Estimacin de
las medidas de
desempeo del
sistema
modelado

Teora de
Colas
Determinacin
de tiempos de
espera y
longitud de la
cola promedio
Comportamiento
futuro del
sistema basado
en datos
histricos

Modelos Estocsticos

Analisis de
Sistemas de
Produccin

Pronsticos

Anlisis de
Lneas de
Espera

TIPOS DE PROBLEMAS

Que el rea de sistemas lo proporcione

HERRAMIENTAS DE INVESTIGACIN DE OPERACIONES

Soluciones en
orden de
prioridad

Programacin
Lineal por
Metas

Seleccionar el Modelo

Informacin Cuantitativa y Cualitativa del

Sistema bajo estudio

Inventarios

Modelos Deterministicos

Asignacin de
recursos
limitados

Programacin
Lineal Entera

Distribucin

Programacin
Lineal

Planeacin
de la
Produccin

Alumnos capaces de definir un problema

Mapa conceptual del rea de Operaciones

74