Concepción Maroto

Javier Alcaraz
Concepción Ginestar
Marina Segura

INVESTIGACIÓN OPERATIVA EN
ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS

EDITORIAL
UNIVERSITAT POLITÈCNICA DE VALÈNCIA
Para citar esta publicación utilice la siguiente referencia bibliográfica:

Maroto, C., Alcaraz, J., Ginestar, C. y Segura M. (2012). Investigación operativa en administración
y dirección de empresas . Valencia : Editorial Universitat Politècnica.

Primera edición, 2012

© Concepción Maroto
Javier Alcaraz
Concepción Ginestar
Marina Segura

© diseño de portada : Carmen Lloret

© de la presente edición:
Editorial Universitat Politècnica de València
www.editorial.upv.es

Distribución: [email protected]
Tel. 96 387 70 12

Imprime: By print percom sl.

ISBN: 978-84-8363-899-6
Impreso bajo demanda
Ref. editorial: 828

Queda prohibida la reproducción, distribución, comercialización,

transformación, y en general, cualquier otra forma de explotación, por
cualquier procedimiento, de todo o parte de los contenidos de esta obra
sin autorización expresa y por escrito de sus autores.

Impreso en España
A nuestros alumnos de Administración y Dirección de
Empresas para que el aprendizaje de la Investigación
Operativa les ayude a tomar mejores decisiones en su
actividad profesional.

A la Facultad de Administración y Dirección de Empresas

de la Universitat Politècnica de València por su apoyo a
este libro y a la docencia de la Investigación Operativa.
 ÍNDICE

TEMA 1. NATURALEZA Y METODOLOGÍA DE LA

INVESTIGACIÓN OPERATIVA...........................................11
1.1. ORIGEN Y EVOLUCIÓN DE LA INVESTIGACIÓN OPERATIVA....13
1.2. NATURALEZA DE LA INVESTIGACIÓN OPERATIVA....................14
1.3. APLICACIONES..........................................................................................17
1.4. METODOLOGÍA DE LA INVESTIGACIÓN OPERATIVA................21
1.4.1.
FORMULACIÓN DEL PROBLEMA..............................................................21
1.4.2.
MODELIZACIÓN............................................................................................23
1.4.3.
IMPLANTACIÓN............................................................................................29
1.4.4.
DATOS.............................................................................................................32
1.5. RESUMEN.....................................................................................................33
1.6. BIBLIOGRAFÍA...........................................................................................33

TEMA 2. FORMULACIÓN Y RESOLUCIÓN DE MODELOS DE

PROGRAMACIÓN LINEAL: CONCEPTOS BÁSICOS....35
2.1. EL PROBLEMA: UN EJEMPLO DE PRODUCCIÓN DE ENERGÍA
Y CONTROL DE LA CONTAMINACIÓN..............................................37
2.2. EL MODELO: VARIABLES, FUNCIÓN OBJETIVO Y
RESTRICCIONES........................................................................................38
2.2.1. VARIABLES: HIPÓTESIS DE DIVISIBILIDAD Y NO NEGATIVIDAD.......38
2.2.2. FUNCIÓN OBJETIVO Y RESTRICCIONES: HIPÓTESIS DE
LINEALIDAD.................................................................................................40
2.2.3. FORMULACIÓN GENERAL DE UN PROGRAMA LINEAL:
HIPÓTESIS DE CERTIDUMBRE..................................................................44
2.3. REGIÓN FACTIBLE Y SOLUCIÓN GRÁFICA.....................................45
2.4. VARIABLES DE HOLGURA.....................................................................47
2.5. ANÁLISIS DE SENSIBILIDAD.................................................................48
2.5.1. ANÁLISIS DE SENSIBILIDAD DE LOS COEFICIENTES DE LA
FUNCIÓN OBJETIVO...................................................................................48
2.5.2. ANÁLISIS DE SENSIBILIDAD DE LOS SEGUNDOS MIEMBROS
DE LAS RESTRICCIONES.............................................................................50
2.6. AMPLIACIÓN DEL PROBLEMA: UNA NUEVA VARIABLE.............52
2.7. RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL
CON HOJAS DE CÁLCULO.....................................................................54
2.8. RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL
CON SOFTWARE DE OPTIMIZACIÓN.................................................56
2.9. CONSTRUCCIÓN DE MODELOS: ALGUNOS EJEMPLOS..............59
2.9.1. ERRORES FRECUENTES EN LA CONSTRUCCIÓN DE MODELOS...........59
2.9.2. ALGUNOS MODELOS DE PROGRAMACIÓN LINEAL..............................60

5
 Investigación operativa en administración y dirección de

2.10. RESUMEN..................................................................................................64
2.11. BIBLIOGRAFÍA........................................................................................64
2.12. CASOS PRÁCTICOS................................................................................65

TEMA 3. MÉTODOS GENERALES DE PROGRAMACIÓN

LINEAL.................................................................................. 73
3.1. CONCEPTOS BÁSICOS: PUNTOS EXTREMOS Y SOLUCIONES
BÁSICAS.......................................................................................................75
3.2. EL MÉTODO SIMPLEX.............................................................................79
3.2.1. CONCEPTOS GENERALES...........................................................................79
3.2.2. EL MÉTODO SIMPLEX MEDIANTE ECUACIONES SIMULTÁNEAS.......79
3.2.3. CRITERIOS DEL MÉTODO SIMPLEX: VARIABLE QUE ENTRA Y
VARIABLE QUE SALE DE LA BASE............................................................82
3.2.4. TABLEAU SIMPLEX......................................................................................85
3.3. SOLUCIÓN BÁSICA FACTIBLE INICIAL Y LAS VARIABLES
ARTIFICIALES: EL MÉTODO DE LAS DOS FASES..........................89
3.4. ALGORITMO DEL SIMPLEX CON VARIABLES ACOTADAS..........93
3.4.1. TÉCNICA DE LA COTA INFERIOR..............................................................93
3.4.2 TÉCNICA DE LA COTA SUPERIOR..............................................................97
3.5. EL MÉTODO SIMPLEX REVISADO, EL ALGORITMO DEL
PUNTO INTERIOR Y EL SOFTWARE DE OPTIMIZACIÓN...........103
3.6. RESUMEN...................................................................................................106
3.7. BIBLIOGRAFÍA.........................................................................................107
3.8. CASOS PRÁCTICOS.................................................................................108

TEMA 4. DUALIDAD Y ANÁLISIS DE SENSIBILIDAD..................115

4.1. EL PROBLEMA DUAL Y LAS RELACIONES DE DUALIDAD.......117
4.1.1. EL PROGRAMA PRIMAL Y EL PROGRAMA DUAL.................................117
4.1.2. RELACIONES DE DUALIDAD...................................................................118
4.2. EL ALGORITMO DUAL DEL SIMPLEX.............................................120
4.3. ANÁLISIS DE SENSIBILIDAD DE LOS COEFICIENTES DE
LA FUNCIÓN OBJETIVO........................................................................123
4.3.1. MODIFICACIÓN DE UN Cj CORRESPONDIENTE A UNA
VARIABLE NO BÁSICA...............................................................................124
4.3.2. MODIFICACIÓN DE UN Cj CORRESPONDIENTE A UNA
VARIABLE BÁSICA......................................................................................125
4.3.3. MODIFICACIONES SIMULTÁNEAS DE VARIOS COEFICIENTES...........125
4.4. ANÁLISIS DE SENSIBILIDAD DE LOS SEGUNDOS
MIEMBROSDE LAS RESTRICCIONES...............................................127
4.5. PROGRAMACIÓN LINEAL PARAMÉTRICA....................................130
4.6. RESUMEN...................................................................................................132
4.7. BIBLIOGRAFÍA.........................................................................................132
4.8. CASOS PRÁCTICOS.................................................................................133

6
 Índi

TEMA 5. PROGRAMACIÓN ENTERA................................................. 141

5.1. INTRODUCCIÓN.......................................................................................143
5.2. UN PROBLEMA ENTERO SENCILLO PARA DESCONFIAR
DE REDONDEOS.......................................................................................144
5.3. APLICACIONES DE PROGRAMACIÓN ENTERA..............................146
5.3.1. PROGRAMACIÓN DE INVERSIONES.......................................................147
5.3.2. PROBLEMAS CON COSTES FIJOS..........................................................148
5.3.3. PROBLEMAS DE LOCALIZACIÓN DE INDUSTRIAS Y SERVICIOS......150
5.3.4. UN PROBLEMA DE DISTRIBUCIÓN CON COSTES NO LINEALES....151
5.3.5. UN PROBLEMA DE RUTAS DE TRANSPORTE.....................................156
5.3.6. OTRAS POSIBILIDADES DE FORMULACIÓN CON VARIABLES
BINARIAS.....................................................................................................158
5.4. TÉCNICAS DE PROGRAMACIÓN ENTERA: ALGORITMOS
DE RAMIFICACIÓN Y ACOTACIÓN...................................................160
5.4.1. INTRODUCCIÓN.........................................................................................160
5.4.2. RESOLUCIÓN GRÁFICA............................................................................161
5.4.3. CRITERIOS DE SELECCIÓN DEL NODO................................................167
5.5. LAS TÉCNICAS DE RAMIFICACIÓN Y ACOTACIÓN Y EL
SOFTWARE DE OPTIMIZACIÓN................................................................170
5.6. RESUMEN...................................................................................................172
5.7. BIBLIOGRAFÍA.........................................................................................172
5.8. CASOS PRÁCTICOS.................................................................................173

TEMA 6. PROGRAMACIÓN MULTIOBJETIVO............................181

6.1. CONCEPTOS BÁSICOS: OBJETIVOS, METAS Y CRITERIOS......183
6.2. PROGRAMACIÓN MULTIOBJETIVO.................................................184
6.2.1. MÉTODO DE LAS RESTRICCIONES........................................................188
6.2.2. MÉTODO DE LAS PONDERACIONES.....................................................189
6.2.3. OTRAS TÉCNICAS MULTIOBJETIVO......................................................190
6.3. PROGRAMACIÓN POR METAS...........................................................190
6.3.1. ESTRUCTURA GENERAL DE UN MODELO DE P.METAS....................190
6.3.2. PROGRAMACIÓN POR METAS PONDERADAS......................................193
6.3.3. PROGRAMACIÓN POR METAS CON PRIORIDADES............................195
6.4. RESUMEN...................................................................................................199
6.5. BIBLIOGRAFÍA.........................................................................................199
6.6. CASOS PRÁCTICOS.................................................................................200

TEMA 7. TÉCNICAS DE DECISIÓN MULTICRITERIO

DISCRETAS........................................................................ 207
7.1. EL MÉTODO DE LAS JERARQUÍAS ANALÍTICAS.........................209
7.1.1. INTRODUCCIÓN.........................................................................................209
7.1.2. CONSTRUCCIÓN DE JERARQUÍAS.........................................................210

7
 Investigación operativa en administración y dirección de

7.1.3. ESTABLECIMIENTO DE PRIORIDADES.................................................211

7.1.4. CONSISTENCIA LÓGICA...........................................................................215
7.1.5. SOFTWARE..................................................................................................218
7.2. EL MÉTODO PROMETHEE...................................................................222
7.2.1. INTRODUCCIÓN.........................................................................................222
7.2.2. INFORMACIÓN PARA MODELIZAR LAS PREFERENCIAS...................225
7.2.3. PROMETHEE I Y II.....................................................................................228
7.3. TOMA DE DECISIONES COLABORATIVA.......................................236
7.4. RESUMEN...................................................................................................237
7.5. BIBLIOGRAFÍA.........................................................................................238
7.6. CASOS PRÁCTICOS.................................................................................239

TEMA 8. PROGRAMACIÓN NO LINEAL.......................................... 243

8.1. INTRODUCCIÓN: CONCEPTOS PREVIOS........................................245
8.2. CARACTERÍSTICAS DE LOS MÉTODOS DE OPTIMIZACIÓN
NO LINEAL................................................................................................248
8.3. ALGUNAS APLICACIONES...................................................................249
8.3.1. DETERMINACIÓN DEL INTERVALO DE TIEMPO ENTRE
AJUSTES DE UNA MÁQUINA....................................................................249
8.3.2. PLANIFICACIÓN DE LA PRODUCCIÓN.................................................250
8.3.3. ALGUNAS IDEAS SOBRE LOS MÉTODOS DE PROGRAMACIÓN
NO LINEAL..................................................................................................252
8.4. CARTERAS EFICIENTES DE INVERSIÓN EN VALORES..............255
8.4.1. MODELO DE MARKOWITZ.......................................................................255
8.4.2. MODELO DE MERCADO DE SHARPE....................................................260
8.5. RESUMEN...................................................................................................264
8.6. BIBLIOGRAFÍA.........................................................................................264
8.7. CASOS PRÁCTICOS.................................................................................264

TEMA 9. TÉCNICAS METAHEURÍSTICAS: ALGORITMOS

GENÉTICOS........................................................................ 267
9.1. ALGORITMOS GENÉTICOS..................................................................269
9.1.1.
CODIFICACIÓN DE LAS SOLUCIONES..................................................272
9.1.2.
FUNCIÓN DE EVALUACIÓN....................................................................273
9.1.3.
SELECCIÓN.................................................................................................273
9.1.4.
CRUCE.........................................................................................................276
9.1.5.
MUTACIÓN..................................................................................................281
9.1.6.
APLICACIONES: EL PROBLEMA DEL VIAJANTE..................................282
9.2. TABU SEARCH..........................................................................................291
9.3. SIMULATED ANNEALING.....................................................................294
9.4. RESUMEN...................................................................................................297
9.5. BIBLIOGRAFÍA.........................................................................................297
9.6. CASOS PRÁCTICOS.................................................................................298

8
 Índi

ANEXO 1. SOLVER DE LA HOJA DE CÁLCULO EXCEL......................301

A1.1.FORMULACIÓN DE UN MODELO DE OPTIMIZACIÓN..................................303
A1.2. RESOLUCIÓN DE UN MODELO DE PROGRAMACIÓN LINEAL...................306
A1.3. RESOLUCIÓN DE OTROS TIPOS DE MODELOS.............................................312
A1.4. CONSTRUIR BUENOS MODELOS EN HOJAS DE CÁLCULO.........................313

ANEXO 2. SOFTWARE DE MODELIZACIÓN Y OPTIMIZACIÓN:

LINGO.............................................................................................317
A2.1. PRESTACIONES DE LINGO................................................................................319
A2.2. DEFINICIÓN Y RESOLUCIÓN DE MODELOS................................................320
A2.3. LENGUAJE DE MODELIZACIÓN.......................................................................322
A2.4. TIPOS DE VARIABLES: ACOTADA, LIBRE, ENTERA Y BINARIA...................326
A2.5. MENÚS: FILE, EDIT, LINGO, WINDOW Y HELP.............................................327
A2.6. FUNCIONES.........................................................................................................331

ANEXO 3. SOFTWARE MULTICRITERIO PARA LA TOMA DE

DECISIONES COLABORATIVA...............................................333
A3.1. MODELIZACIÓN: DISEÑO DE LA JERARQUÍA DE DECISIÓN.....................335
A3.2. MÉTODOS MULTICRITERIO..............................................................................336
A3.3. TOMA DE DECISIONES COLABORATIVA........................................................338
A3.4. ANÁLISIS DE RESULTADOS...............................................................................339

9
 TEMA 1
NATURALEZA Y
METODOLOGÍA DE LA
INVESTIGACIÓN OPERATIVA

1.1. ORIGEN Y EVOLUCIÓN DE LA INVESTIGACIÓN OPERATIVA ...13

1.2. NATURALEZA DE LA INVESTIGACIÓN OPERATIVA..................14
1.3. APLICACIONES........................................................................................17
1.4. METODOLOGÍA DE LA INVESTIGACIÓN OPERATIVA...............21
1.4.1. FORMULACIÓN DEL PROBLEMA..............................................................21
1.4.2. MODELIZACIÓN...........................................................................................23
1.4.3. IMPLANTACIÓN...........................................................................................29
1.4.4. DATOS...........................................................................................................32
1.5. RESUMEN...................................................................................................33
1.6. BIBLIOGRAFÍA.........................................................................................33
 En este capítulo veremos en primer lugar el origen y evolución de la Investigación
Operativa, que debemos conocer para entender su interés en los estudios de
administración y dirección de empresas. Dado que no existe una definición de
Investigación Operativa, generalmente aceptada, recogemos varias propuestas en el
apartado segundo, tratando de reflejar tanto la visión clásica como otras más actuales de
la disciplina. En el apartado tercero describiremos la metodología de la Investigación
Operativa, analizando con detalle las fases de formulación del problema, modelización e
implantación. Por último, veremos algunas aplicaciones en administración y dirección
de empresas.

1.1. ORIGEN Y EVOLUCIÓN DE LA INVESTIGACIÓN OPERATIVA

Fue en Inglaterra donde se utilizó por primera vez el nombre “Investigación

Operativa” (Operational Research), cuando se creó en 1936 en la RAF un grupo de
científicos con el fin de estudiar cómo operar con el radar, que se denominó Sección de
Investigación Operativa por estar relacionado más con las operaciones del nuevo equipo
que con el desarrollo del mismo. El éxito de esta primera sección fue tal que al finalizar
la Segunda Guerra Mundial otras naciones aliadas disponían de grupos de apoyo
similares para la toma de decisiones en sus operaciones militares (Keys, 1995). Sin
embargo, Kirby (2000) sitúa el nacimiento formal de la Investigación Operativa en
1938.

El impacto positivo de la Investigación Operativa durante la Segunda Guerra

Mundial propició su introducción posterior en el sector industrial y en el comercial a
ambos lados del Atlántico. En Inglaterra se concentró en dos industrias, la minería del
carbón y la industria del hierro y el acero. Paradójicamente la enseñanza de la
Investigación Operativa empezó antes en Estados Unidos que en Inglaterra. Fue en
EEUU donde se escribió el primer libro de texto: Churchman, C. W., R.L. Ackoff y
E.L. Arnoff (1957): Introduction to Operations Research. John Wiley. New York. Así
en los años 60 la industria americana fue receptiva a las técnicas de la Investigación
Operativa debido a la formación de sus gestores (Kirby, 2000).

Debemos decir que estos orígenes de la Investigación Operativa representan la

historia oficial mayoritariamente aceptada. Otros autores como el profesor Bueno
(1971) completan esta visión y creen que hay tres cauces básicos que influyeron en la
aparición de la Investigación Operativa: los modelos económicos, las operaciones
militares y las matemáticas. Así encuentra antecedentes, entre otros, en el modelo de
equilibrio general de Walras en el que plantea con un sistema de ecuaciones lineales el
equilibrio de la producción, en el Tableau Économique de Quesnay (1758) y en las
tablas Input-Output de Leontiev (1936). Por otra parte, la relevancia de la Investigación
Operativa en el pensamiento económico del último siglo se pone de manifiesto en que
un buen número de Premios Nobel de Economía (empezaron en 1969) corresponden a
autores que han trabajado en programación lineal y otras técnicas cuantitativas como la
programación no lineal y la teoría de juegos. Entre estos los premios Nobel podemos
citar a Samuelson (1970), Leontiev (1973), Kantorovich (1975), Simon (1978), Solow

1
 Investigación operativa en administración y dirección de

(1987), Markowich y Sharpe (1990), Selten, Nash y Harsanyi (1994), Aumann (2005) y
Hurwicz (2007).

Keys (1995) considera el periodo 1945-1975 como un periodo de crecimiento y

estabilidad, que denomina la “Edad de Oro” de la Investigación Operativa clásica. En
esta etapa la Investigación Operativa es un apoyo a la gestión en la industria y otras
organizaciones, se crean sociedades profesionales y se implantan programas académicos
en las universidades.

El trabajo histórico realizado por Kirby (2000) destaca la rápida difusión de las
técnicas de Investigación Operativa después de la revolución de las tecnologías de la
información y las comunicaciones de los años 80. Así a primeros de los 90 se disponía
ya de códigos de programación lineal y no lineal en las hojas de cálculo, cuyas
prestaciones actuales han mejorado mucho. Esta situación de la Investigación Operativa
ofrece nuevos retos y oportunidades para la administración y dirección de empresas. Por
ejemplo, ahora millones de usuarios de Microsoft Excel pueden crear y resolver
modelos que permiten mejorar la toma de decisiones empresariales, a nivel operativo,
táctico y estratégico. Adicionalmente, las técnicas de Investigación Operativa son y
seguirán siendo parte integrante de las aplicaciones de ayuda a la toma de decisiones
conocidas como Decision Support System (DSS) y de los sistemas expertos.

1.2. NATURALEZA DE LA INVESTIGACIÓN OPERATIVA

Desde sus orígenes la Investigación Operativa no ha tenido una definición precisa

generalmente aceptada y a lo largo de su evolución se ha debatido ampliamente sobre su
metodología. Ackoff y Sasieni (1979) definen la Investigación Operativa como “la
aplicación del método científico mediante equipos interprofesionales a los problemas
de gobierno de sistemas organizados para proporcionar soluciones que sirvan lo mejor
posible a la organización considerada como un todo”. Las principales características de
la Investigación Operativa puestas de manifiesto en esta definición, ya aparecen en el
primer libro de texto de la materia publicado en 1957. Concretamente el énfasis en el
método científico, los equipos interdisciplinares, la ayuda a la toma de decisiones,
obtención de la mejor solución y el enfoque global.

Para Assad, Wasil y Lilien (1992) la Investigación Operativa –Operations

Research/Management Science (OR/MS)- es la aplicación del método científico a la
toma de decisiones o a profesiones que abordan la mejor manera de diseñar y operar con
los sistemas, normalmente en condiciones donde se requiere la asignación de recursos
escasos.

Keys (1995) considera que la Investigación Operativa es una tecnología. La

Investigación Operativa utiliza los métodos científicos en los que basa su trabajo de
observación, modelización, pensamiento, experimentación y medios de investigación
lógicos y sistemáticos. Sin embargo, no utiliza estos métodos con el mismo propósito

1
 Tema 1. Naturaleza y metodología de la investigación

que la ciencia. La ciencia es descriptiva, la Investigación Operativa prescriptiva. El

objetivo de la Investigación Operativa es proporcionar información y diseñar medios
de mejorar la efectividad de las organizaciones.

Las dos características básicas de la tecnología vista desde este nuevo modelo son
sus objetivos y sus métodos. El objetivo de la Investigación Operativa es la producción
de información sobre los sistemas que puede permitir mejorar la efectividad de la
organización. Los métodos utilizados para producir esta información son de carácter
científico. Es decir, están basados en medidas, análisis y validación más que en gustos,
intuiciones y juicios. Si consideramos que la tecnología se encarga de diseñar sistemas,
tanto físicos como abstractos, la Investigación Operativa es una tecnología que
diseña sistemas abstractos que consisten en información que es útil para la
planificación, organización, control y otras actividades necesarias para las operaciones
de una organización.

Para Keys, la Investigación Operativa es una tecnología que diseña sistemas

abstractos, por medios científicos, para mejorar la efectividad de las
organizaciones. Las implicaciones para la enseñanza de la Investigación Operativa son
que ésta debe tener dos componentes. Por una parte, se debe enseñar mediante medios
formales los modos de trabajo, tales como el análisis cuantitativo y la aplicación de
métodos científicos. Y por otra, hay que completar esta educación con la aplicación de
las habilidades anteriores a problemas reales. Este enfoque es el que consideramos
adecuado para la enseñanza y el aprendizaje de la Investigación Operativa en los
estudios de Administración y Dirección de Empresas.

Robinson (2000) define la Investigación Operativa como la aplicación del método

científico para mejorar la efectividad de las operaciones, las decisiones y la gestión.
Robinson considera que uno de los motivos por los que la disciplina se ha mantenido
invisible o visible, pero mal interpretada es porque se ha practicado bajo diversas
denominaciones. Además de Operations Research, se han utilizado los nombres casi
sinónimos de Management Science -Ciencia de la Administración-, Decision
Technology, Decision Support, Police Science, Systems Analysis (con aplicaciones
relativas a gestión y decisiones), Management Technology and Management Analytics.
La denominación más actual es Business Analytics, que integra metodologías
analíticas, tanto descriptivas como prescriptivas.

Una característica importante de la Investigación Operativa consiste en mantener la

óptica global en sus proyectos, analizando los problemas particulares dentro del marco
en el que aparecen. Tanto en las definiciones clásicas como en las más modernas de
Investigación Operativa el concepto de sistema es fundamental. Veamos algunos
ejemplos que lo ilustran.

Muchas empresas calculan los costes unitarios de producción a nivel de taller de

máquinas o líneas de producción, considerando todos los costes de los recursos
utilizados. Cuanto menores sean los costes unitarios de producción mayor es la
eficiencia. Esta forma de proceder es válida sólo para procesos de producción que

1
 Investigación operativa en administración y dirección de

constan de una única fase y además no tengan dificultades para vender el producto.
Cuando la empresa tiene procesos de producción complejos con varios productos (por
ejemplo, las empresas de pavimentos cerámicos, Castellón) y cada línea produce
diferentes partes –a menudo en pequeños lotes– que se utilizan como inputs en fases
posteriores del proceso de producción. Esta forma de actuar incentiva que las máquinas
estén produciendo todo el tiempo. Si las líneas de producción que siguen en el proceso
de fabricación no requieren inmediatamente estos productos intermedios, la empresa
tendrá que almacenarlos temporalmente incurriendo en un coste por estos stocks
intermedios que no se atribuyen a la línea que los generó. Por tanto, la línea de
producción parece eficiente, mientras la empresa tiene que hacer frente a unos costes
excesivos provocados por esos productos intermedios.

Como hemos comprobado en el ejemplo anterior, la eficiencia de una operación o

división particular de una empresa puede conducir a deteriorar su comportamiento
global en cuanto a sus objetivos y metas. El concepto de eficiencia mide lo bien que se
utilizan los recursos en una actividad dada. Así, podemos hablar de eficiencia técnica,
que no tiene por qué coincidir con la eficiencia económica, que maximiza la diferencia
entre ingresos y costes. Sin embargo, a las empresas lo que les interesa es lograr sus
objetivos, que podemos evaluar a través de su efectividad. El que varias partes de un
sistema operen de manera eficiente no implica necesariamente que el sistema en
conjunto sea efectivo en el logro de sus objetivos. Con esto no queremos decir que la
eficiencia sea contraria a la efectividad. Nada más lejos. La verdadera eficiencia se
mide teniendo en cuenta los objetivos globales de la empresa. Eficiencia y
efectividad son conceptos complementarios. En síntesis, podemos decir que efectividad
tiene que ver con “hacer las cosas correctas” y la eficiencia con “hacer correctamente
las cosas” (Daellenbach y McNickle, 2005).

Veamos otro ejemplo para ilustrar el concepto de sistema en Investigación

Operativa. En una empresa con cinco departamentos (compras de materias primas,
producción, comercialización, finanzas y personal) el de comercialización propone
incrementar la duración de la garantía de uno de sus productos para hacer frente a la
competencia. ¿Cuál es el sistema? ¿Y el entorno?

El departamento de comercialización consta de distribución, ventas y servicios al

cliente. La empresa supone que al prolongar el período de garantía aumentarán las
ventas. Sin embargo, también aumentarán los costes de garantía debido al servicio de
clientes. Por lo tanto, el sistema estudiado podría reducirse a ventas y servicios al
cliente (sistema 1), con todas las otras operaciones de la empresa, los clientes y las
empresas competidoras formando el entorno del mismo. El objetivo del sistema 1
consiste en encontrar el período de garantía que maximice la diferencia entre beneficios
por ventas y costes de garantía.

El sistema 1 considera la calidad del producto como parte del entorno, pero la
calidad del producto afectará tanto a las ventas como a los costes de garantía. Por este
motivo, el sistema 1 podría ampliarse para incluir producción (sistema 2). El objetivo de
este sistema mayor es determinar la combinación óptima de calidad del producto y el

1
 Tema 1. Naturaleza y metodología de la investigación

período de garantía para maximizar los beneficios. La calidad del producto también se
ve afectada por la calidad de las materias primas empleadas, que son parte del entorno
del sistema 2. Entonces el sistema 2 podría ampliarse aún más para incluir también la
obtención de materias primas y llegar al sistema 3. El sistema 3 también podría
ampliarse para incluir otros productos de la empresa, si las ventas de estos productos se
pueden ver afectadas por los cambios en el período de garantía del primer producto,
obteniéndose el sistema 4.

En la figura 1.1. podemos observar cómo cada sistema está incluido en otro más
grande. Con este ejemplo queremos ilustrar el hecho de que la Investigación Operativa
siempre intenta resolver los conflictos de intereses dentro de la empresa, de forma que
el resultado sea el mejor para la empresa en términos de sus objetivos. Esto no significa
que el estudio siempre deba considerar de forma explícita todos los aspectos, sino que
los objetivos que se buscan deben ser consistentes con los de la propia empresa.

Sistema 4 Otros Productos Sistema 2 Producción Sistema 1 Mercadotecnia

Sistema 3 Compras

Figura 1.1. Ejemplo para ilustrar el concepto de sistema

1.3. APLICACIONES

Después de la Segunda Guerra Mundial, el ejército tanto británico como americano

mantuvo grupos activos de Investigación Operativa. Como resultado ahora existe un
gran número de personas llamadas "investigadores de operaciones militares", que están
aplicando el punto de vista de la Investigación Operativa a problemas de defensa
nacional. También se está usando ampliamente la Investigación Operativa en otros tipos
de organizaciones y en el mundo empresarial. De hecho, casi todas las empresas más
grandes del mundo y muchas medianas tienen establecidos grupos de Investigación
Operativa.

1
 Investigación operativa en administración y dirección de

Entre las industrias que aplican Investigación Operativa se pueden citar la de

aviación y proyectiles, la informática, la de energía eléctrica, la electrónica, la
agroalimentaria, la metalúrgica, la minera, del papel, del petróleo, transporte, así como
las instituciones financieras, los organismos públicos y los hospitales. Las empresas
finalistas de los premios Franz Edelman de la Sociedad INFORMS (Institute for
Operations Research and the Management Science) proporcionan excelentes ejemplos
de aplicaciones reales de Investigación Operativa (http://www.informs.org).

Entre los finalistas de 2012 están las empresas Hewlett-Packard (HP), Intel y TNT
Express. Esta última obtuvo el premio por su programa de “Optimización Global”, que
utiliza métodos avanzados para optimizar la red de transporte de la compañía. Este
programa resuelve problemas de localización de almacenes, rutas óptimas de camiones,
gestión de flotas y programación de personal.

En 2011 obtuvo el citado premio Midwest Independent Transmission System

Operator (Midwest ISO), que es una organización sin ánimo de lucro y gestiona el
mercado de la energía eléctrica en 13 estados de EEUU (región norte-centro) y uno de
Canadá (Manitoba). Tiene el control operativo de más de 1.500 plantas de producción
de energía y 55.000 millas de líneas eléctricas. Notifica a las plantas cada 5 minutos la
cantidad de energía que se requiere para satisfacer la demanda. Utiliza un modelo de
programación lineal para calcular los niveles de producción y establecer el precio de
mercado de la electricidad. El tamaño del modelo tiene hasta 3 millones de variables
continuas y 4 millones de restricciones. La solución del modelo proporciona los niveles
de producción de las plantas y los precios de la energía (precios sombra o costes de
oportunidad). También utiliza un modelo de programación entera para determinar
cuando una planta tiene que estar produciendo o estar parada. Las empresas mantienen
el control físico de las plantas y de las líneas de transmisión. Midwest ISO gestiona la
energía en tiempo real para ofertar y comprar según demanda, administra el mercado y
maximiza el beneficio de la sociedad que paga la electricidad más barata. En definitiva,
con ayuda de técnicas que se tratan en el libro, en este caso se determina el precio al que
la electricidad se compra y se vende y lo que es más importante está disponible cuando
se necesita, donde se necesita y de forma segura.

En 2009 destacamos a HP con dos herramientas de Investigación Operativa para

gestionar la cartera de productos y a la cadena de hoteles Marriot por un optimizador
de precios. También en 2009 se encontraba entre las empresas finalistas Zara por
aplicar Investigación Operativa para mejorar su proceso de distribución. Cocacola
Enterprises, la empresa embotelladora y distribuidora más grande del mundo de
productos de cocacola (cocacola, fanta, sprite, minute maid, etc) también fue reconocida
en 2007 por su aplicación para programar las rutas diarias de 10.000 camiones.

Comentaremos la aplicación de Zara con un poco más de detalle. La cadena de

suministro de Zara consta de 2 almacenes principales localizados en España, que
periódicamente reciben los envíos de prendas finalizadas de los proveedores y
reabastece a todas las tiendas de Zara 2 veces a la semana. La clave está en determinar

1
 Tema 1. Naturaleza y metodología de la investigación

el número exacto de cada talla (hasta 8) y cada artículo (hasta 3.000 a la vez) que debe
incluir en cada envío a cada tienda (más de 1.500). Hasta 2005 Zara utilizaba un
procedimiento que requería un gran número de empleados para determinar los envíos a
cada tienda. La empresa desarrolló un proceso de toma de decisiones alternativo basado
en métodos de Investigación Operativa, que incluye métodos de previsión y un modelo
de programación entera mixta de gran tamaño. La implantación de este nuevo proceso
presentaba muchas dificultades técnicas. Una de ellas incluir la incertidumbre de las
previsiones y las políticas de inventario de las tiendas, así como la integración de un
modelo matemático complejo con muchas bases de datos grandes. También tenían que
disponer de la infraestructura software y hardware necesaria para resolver miles de
problemas de optimización en un par de horas cada día. Adicionalmente, presentaba
retos relacionados con los recursos humanos, porque la cultura de Zara valora mucho la
intuición y los juicios personales en la toma de decisiones. En 2007 se completó el
desarrollo de este nuevo proceso, apoyado en técnicas de Investigación Operativa, en
todas sus tiendas y artículos y desde entonces se utiliza.

En general, la programación lineal y la programación entera se han utilizado con

éxito en la solución de problemas relativos a la asignación de medios de producción,
mezcla de materiales, distribución, transporte, selección de inversiones y planificación
de la agricultura entre otros muchos. Una aplicación muy relevante de la programación
lineal en el campo de la economía es el análisis envolvente de datos DEA (Data
Envelopment Analysis), desarrollado por Charnes, Cooper y Rodhes (1978). DEA es
una técnica basada en programación lineal que nos permite medir empíricamente la
eficiencia productiva de unidades de decisión como grupos de empresas del mismo
sector, instituciones financieras, hospitales, instituciones educativas, etc. y determinar
las empresas que se encuentran en la frontera eficiente de producción. La eficiencia se
mide mediante la suma ponderada de los outputs sobre los inputs, calculando la
estructura de pesos mediante programación lineal. Además, los conceptos de la
programación lineal guían y facilitan los análisis y la interpretación de los resultados de
los modelos DEA. En la actualidad éste sigue siendo un campo muy activo de trabajo,
tanto por las aplicaciones como por la investigación que se realiza.

La programación no lineal se utiliza también en determinados problemas de

asignación de recursos, selección de carteras eficientes, diseño de nuevos productos,
problemas de producción, mezclas en procesos químicos, etc. La programación
multiobjetivo y la programación por metas cuentan también con muchas aplicaciones
tales como la gestión de recursos naturales (Weintraub y otros, 2007), la programación
de medios de publicidad, la gestión de usos del suelo, la localización de servicios
públicos y la planificación de recursos en centros hospitalarios por citar sólo algunas.
Otras técnicas de Investigación Operativa como la teoría de inventarios, la teoría de
juegos y la simulación se han utilizado en una gran variedad de contextos.

La Investigación Operativa comparte con la Inteligencia Artificial el objetivo de

proporcionar métodos y procedimientos para la resolución de problemas y la toma
decisiones. La Inteligencia Artificial es de carácter deductivo y cuenta con
conocimiento de expertos y métodos heurísticos. La Investigación Operativa se basa

1
 Investigación operativa en administración y dirección de

fundamentalmente en algoritmos matemáticos. Una integración cuidadosa de estos dos

enfoques presenta un futuro prometedor de cara a las prestaciones y aceptación de los
sistemas. Los Sistemas de Ayuda a la Toma de Decisiones integran técnicas de
Investigación Operativa e Inteligencia Artificial en sistemas de información que son
muy útiles en el proceso de toma de decisiones. Esta integración puede hacer más
accesibles a los decisores las técnicas de Investigación Operativa y por otra parte, los
modelos pueden utilizar técnicas de Inteligencia Artificial. Destacan también las
técnicas de búsqueda heurística tales como los algoritmos genéticos, tabu search y
simulated annealing.

Los modelos de Investigación Operativa son comunes en finanzas, agrupándose

muchas veces bajo el nombre de ingeniería financiera. Análogamente la ingeniería
del marketing habitualmente significa Investigación Operativa aplicada al marketing.
En este campo se aplica tanto para decisiones estratégicas (planificación, cartera de
productos, etc.) como a nivel táctico (diseño de producto, publicidad, etc.). También
juegan un papel importante en el análisis de los mercados electrónicos. Otras
oportunidades vendrán de la mano del comercio y la inversión electrónica, desde la
banca online hasta los seguros online.

En cuanto a la gestión de la cadena de suministros, la economía digital ofrece

oportunidades para utilizar la Investigación Operativa en la planificación de recursos en
la empresa, planificación y programación de la producción avanzadas teniendo en
cuenta la información que se puede obtener por internet, que mejorará la coordinación y
colaboración entre proveedores y clientes. El crecimiento de la comunicación y
computación móviles aumentará las aplicaciones de ayuda a la toma de decisiones en
camiones de transporte. Así hay empresas que optimizan la carga y rutas de camiones
utilizando aplicaciones web para obtener los datos y distribuir las soluciones. Internet
también facilita la ampliación de la gestión de la cadena de suministros en la dirección
de integrar el diseño del producto, ventas y clientes.

Por último, debemos hacer hincapié en los puntos fuertes de la Investigación

Operativa en la era de la economía digital: explota la gran cantidad de datos
disponibles, puede manejarse con la creciente complejidad debido a su carácter analítico
y con la incertidumbre, la modelización aumenta la comprensión de los procesos de
negocio, puede hacer experimentos virtuales sin riesgo para las empresas y provee
de tecnología de decisión para la automatización de decisiones recurrentes en tiempo
real, como en las aplicaciones web. En definitiva, la Investigación Operativa del futuro
es la Investigación Operativa en tiempo real. Los clientes habitualmente preguntan
cuándo van a tener disponible su pedido. Los proveedores basan su respuesta en el
inventario y en la producción en curso y la programada. Sin embargo, deberían poder
responder después de ejecutar un algoritmo de programación con la orden potencial
incluida. Para lograr las prestaciones requeridas en tiempo real necesitaremos recurrir a
veces a algoritmos heurísticos como los que se abordan en el último capítulo del libro.

2
 Tema 1. Naturaleza y metodología de la investigación

1.4. METODOLOGÍA DE LA INVESTIGACIÓN OPERATIVA

Daellenbach y McNickle (2005) establecen claramente tres grandes fases en la

metodología de la Investigación Operativa que son la formulación del problema, la
modelización y la implantación, que a su vez desagregan en las subfases que indicamos
en la figura 1.2.

Identificar el
Sintetizar
Propuesta de proyecto
problema
la situación

Describir el
sistema relevante
Formulación
del problema Construir modelo
Encontrar la
matemático
solución preferida

Modelización
Validación de la
Análisis de solución
sensibilidad

Planificación de
Implantación la implantación

Control de la Informe del proyecto

Puesta en marcha solución
de la solución
Implantación de
la solución
Revisar la solución

Figura 1.2. Metodología de la Investigación Operativa

1.4.1. FORMULACIÓN DEL PROBLEMA

En primer lugar debemos hacer una síntesis de la situación, por ejemplo a través de
gráficos o diagramas que nos ayudarán en la fase de identificación del problema, tras
la cual debemos identificar la estructura, los procesos de transformación, los
componentes, inputs y outputs del sistema relevante. Para que exista un problema debe
haber un individuo o grupo de individuos, que llamaremos responsables de la decisión
(decisor), que no estén satisfechos con la situación actual o que tengan necesidades

2
 Investigación operativa en administración y dirección de

insatisfechas, como alcanzar algunas metas u objetivos. Además conocen cuando las
metas u objetivos se han alcanzado en un grado satisfactorio y tienen control sobre los
aspectos de la situación que afectan al grado en que se logran los objetivos. Los cuatro
elementos de un problema son:

 El responsable de la decisión.
 Los objetivos del responsable de la decisión.
 La medida de la eficiencia para valorar el grado de logro de los objetivos.
 Las alternativas de acción o variables decisión para alcanzar los objetivos.

La segunda fase de la formulación del problema, la identificación del mismo,

consiste en definir estos cuatro elementos. En la tercera fase se define el sistema
relevante para el problema que hemos identificado, incluyendo su entorno. El decisor
tiene un papel esencial en esta fase de formulación del problema.
En la práctica, la determinación de estos cuatro componentes puede no ser tan fácil
de obtener simplemente preguntando al decisor. Éste a veces sólo tiene una vaga
sensación de que las cosas podrían ir mejor. Debemos explorar y clarificar la situación a
través de las personas implicadas. A veces puede ocurrir que la persona que toma las
decisiones no tiene acceso a la información para una toma de decisiones efectiva y el
que tiene la información no tiene suficiente autoridad para tomar decisiones. En estos
casos lo primero que hay que hacer es cambiar la estructura de la organización,
reasignando los roles en la toma de decisiones. En la mayoría de las aplicaciones reales,
la formulación del problema no se logra en estas tres etapas, sino que la formulación
inicial va detallándose con sucesivas reformulaciones, a medida que se va conociendo el
problema en profundidad. De hecho, continúa hasta que el proyecto finaliza. Sin
embargo, en esta fase radica el éxito o fracaso de muchos proyectos.
Una vez que conocemos suficientemente bien el problema y el sistema relevante es
cuando podemos hacer un juicio sobre si la Investigación Operativa puede obtener una
solución al problema. Por tanto debemos preguntarnos:
¿Podemos expresar el problema en términos cuantitativos?
¿Los datos requeridos están disponibles o pueden obtenerse a un coste razonable?
¿El coste del análisis justifica los posibles beneficios que se obtengan de la
implantación de los resultados? ¿Cuánto se pueden cumplir las expectativas del decisor?
Si respondemos afirmativamente a estas preguntas, entonces la fase de formulación
concluye con una propuesta, que será el documento sobre el cual el decisor estimará ir
adelante o no con el proyecto. Por tanto, la propuesta es una pieza clave. No debemos
prometer más de lo podemos obtener con los recursos disponibles. Dado que la
Investigación Operativa tiene mucho en común con la investigación científica, debemos
guiarnos por la ética del método científico.

2
 Tema 1. Naturaleza y metodología de la investigación

La siguiente anécdota de Ackoff pone de manifiesto tanto la dificultad de la

formulación del problema en algunos casos reales, como el hecho de que no siempre
podemos resolver una situación insatisfactoria haciendo modelos. Tan importante es
saber para qué son útiles los modelos y cuándo nos permiten mejorar la toma de
decisiones, como reconocer cuándo no son la herramienta adecuada. La administración
de un gran edificio de oficinas recibió quejas durante años por el excesivo tiempo que el
personal gastaba en la espera de los ascensores en el vestíbulo principal. Varios equipos
de Investigación Operativa analizaron este problema del excesivo tiempo de espera. Se
propusieron distintas soluciones como dedicar unos ascensores para los pisos bajos y
otros sólo para los altos. Sin embargo, se llegó a la conclusión de que una reducción
importante sólo sería posible instalando nuevos ascensores con un gran coste asociado.
Un miembro del último equipo preguntó por qué se quejaba el personal y tras las
oportunas averiguaciones resultó que se debía al aburrimiento. Entonces el equipo de
Investigación Operativa propuso instalar espejos. Algunos trabajadores los utilizaban
para hacerse un último chequeo personal o bien para observar a otros sin que fuera tan
obvio. Cuando se implementó esta solución desaparecieron las quejas (Ackoff, 1981).
Actualmente, las pantallas con información de interés para el personal puede conseguir
el mismo efecto que los espejos hace años.

La Investigación Operativa, en muchos casos, no pretende encontrar la solución

óptima, sino encontrar algún grado de mejora respecto a la situación previa. Uno de los
padres fundadores de la disciplina lo explicaba en términos coloquiales de la siguiente
manera: “la Investigación Operativa es el arte de proporcionar malas soluciones a los
problemas, que en caso contrario tendrían soluciones peores”.

1.4.2. MODELIZACIÓN

La fase que distingue a la Investigación Operativa de otros métodos de abordar la

resolución de problemas es la modelización. Según Daellenbach y McNickle (2005), a
menudo la Investigación Operativa se ve como un conjunto de técnicas y herramientas
matemáticas, visión que no favorece nada a la disciplina en detrimento de su potencial. La
fase de modelización empieza expresando el sistema, relacionado con el problema, en
términos cuantitativos. Un modelo matemático expresa en términos cuantitativos las
relaciones entre varios componentes relevantes del sistema, que se ha definido en la fase
de formulación. A veces estas relaciones se pueden representar en una hoja de cálculo y
otras es necesario formular las relaciones en términos de expresiones matemáticas, tales
como ecuaciones, desigualdades o funciones. El término modelo se utiliza en un sentido
amplio, dado que puede tener tanto forma de tabla como de expresiones matemáticas.

Llamamos variables decisión a las alternativas de acción o aspectos controlables

del problema. La terminología de alternativas de acción se utiliza cuando su número es
discreto y normalmente pequeño. La medida del comportamiento o medida de la
efectividad son los aspectos que miden en qué grado se alcanzan los objetivos de la
empresa. Si esta medida de la efectividad se puede expresar como una función de las
variables, la denominamos función objetivo. Nuestra meta es encontrar los valores de

2
 Investigación operativa en administración y dirección de

las variables decisión que maximizan o minimizan la función objetivo. Los parámetros
o coeficientes representan los aspectos no controlables del problema. Y las
restricciones son las expresiones matemáticas que limitan el rango de valores que
pueden asumir las variables decisión. Desde principios de los años 50 se han
desarrollado una serie de modelos matemáticos, con su propio procedimiento de
resolución, tales como la programación lineal y sus numerosas extensiones, modelos de
redes como el camino crítico, etc. Son lo que denominamos modelos de propósito
general. Cualquier problema que satisface las hipótesis de un modelo general puede ser
abordado y resuelto de esta manera. Para los problemas que no se ajustan a ninguna
técnica particular de Investigación Operativa, se debe desarrollar un modelo de
propósito especial, que tendrá una estructura única para el problema en cuestión.
Asimismo se tiene que inventar un procedimiento de resolución para ese caso concreto.
Por último, cuando todos los inputs y relaciones son conocidos decimos que el
problema es determinístico, mientras que si algunos inputs o resultados están sometidos
a incertidumbre, como las influencias probabilísticas, el modelo se conoce como
probabilístico o estocástico.

Un modelo matemático para que sea útil debe permitir tomar mejores decisiones
cuando se utiliza y además ser:

 Simple: Los modelos simples son más fáciles de entender por el que toma las
decisiones. Será más fácil que el decisor siga la lógica de una hoja de cálculo, que
de un grupo de ecuaciones. Sin embargo, cuando no queda más remedio que hacer
modelos complicados, debemos hacer aproximaciones adecuadas a la situación real.
 Completo: El modelo debe incluir todos los aspectos significativos del problema
que afectan a la medida de la efectividad. Puede ser necesario hacer dos modelos,
uno con y otro sin determinados aspectos para comparar y juzgar la relevancia de
los mismos.

 Fácil: Debemos obtener las respuestas del modelo, como la solución óptima, con
un esfuerzo computacional razonable. Además, debe ser fácil de preparar,
actualizar y cambiar los parámetros y obtener respuestas rápidamente.

 Adaptable: Normalmente cambios razonables en la estructura del problema no

invalidan el modelo. Si los cambios invalidan el modelo, puede ser posible
adaptar el modelo con pequeñas modificaciones. Un modelo adaptable se conoce
como un modelo robusto.

En la práctica podemos encontrar útiles estas propiedades en un modelo, sin

embargo el usuario puede sólo apreciar alguna de ellas. Así, el decisor y el usuario del
modelo pueden estar más interesados en las propiedades deseables del proceso de
modelización, que en las del modelo mismo. La credibilidad y confianza del usuario
están más relacionadas con el proceso y la interacción con la persona que formula el
modelo que con el modelo mismo. En este sentido, es importante tener en cuenta los
siguientes aspectos:

2
 Tema 1. Naturaleza y metodología de la investigación

El modelo es apropiado para la situación estudiada. El modelo produce

resultados relevantes con el menor coste posible y en el tiempo requerido por el decisor.
Un “buen” modelo de Investigación Operativa no necesariamente tiene que mostrar los
detalles o parecerse al sistema físico que pretende optimizar. Además, un buen modelo
debe permitirnos medir el logro alcanzado en los objetivos del decisor.

El modelo tiene que producir información que es relevante y apropiada para la

toma de decisiones. Si el modelo satisface estas dos últimas propiedades y podemos
demostrarlas ante el decisor y el usuario, entonces es más probable que encuentren
el modelo útil. Por último, debemos destacar que algunas de las propiedades de los
buenos modelos entran en conflicto. Un modelo simple puede no tener en cuenta
todos los aspectos relevantes. Un modelo robusto puede no ser sencillo. Un modelo
que incluye todos los aspectos significativos puede no ser fácil de manipular. El que
construye el modelo debe equilibrar estos aspectos y adoptar un compromiso, que
debe tener en cuenta los recursos y el tiempo disponible para el análisis. También
debería tener en cuenta los posibles beneficios. Así, puede ser económicamente más
ventajosa la utilización de estrategias simples y rápidas que proporcionen el 50% de
los beneficios, que un modelo sofisticado y caro que logre el 90% de los beneficios
potenciales. El coste de desarrollo del modelo matemático, la recolección de datos,
computar la mejor solución, implementar el modelo y mantenerlo crece más que
proporcionalmente con la sofisticación del modelo, mientras que los beneficios crecen
menos que proporcionalmente.

Aunque el proceso de modelización matemática puede considerarse como un

proceso científico, hay ciertos aspectos que están más próximos a un arte que a una
ciencia. Se considera un arte porque hay que desarrollar modelos sencillos, que sean
buenas aproximaciones a la realidad. Hay pocos consejos que se puedan dar al respecto,
salvo que la habilidad y destreza necesaria se puede adquirir con la práctica. Los
expertos recomiendan empezar por modelos simples, que se van enriqueciendo hacia
modelos más elaborados mediante la incorporación de aspectos adicionales del
problema. Otro consejo que se puede dar es trabajar con ejemplos numéricos, así como
la utilización de gráficos y diagramas.

La construcción de modelos en la práctica de la administración y dirección de

empresas es valiosa al menos por las siguientes razones (Eppen y otros, 2000):

1. Los modelos obligan a definir explícitamente los objetivos.

2. Los modelos obligan a identificar y registrar los tipos de decisiones que influyen en
dichos objetivos.

3. Los modelos obligan a identificar y registrar las interacciones entre todas esas
decisiones y sus respectivas ventajas y desventajas.

4. Los modelos obligan a pensar en las variables que se van a incluir y a definirlas en
términos cuantitativos.

2
 Investigación operativa en administración y dirección de

5. Los modelos nos obligan a considerar qué datos son pertinentes para la
cuantificación de dichas variables y a determinar las interacciones entre ellas.

6. Los modelos obligan a reconocer las restricciones pertinentes en los valores que las
variables pueden adoptar.

7. Los modelos permiten comunicar ideas y conocimientos, facilitando el trabajo en

equipo.

Tras la construcción del modelo, manipulamos el modelo cuantitativo para explorar

la respuesta del comportamiento del sistema a los cambios en los inputs, es decir
exploramos el espacio de soluciones. El fin es encontrar la solución preferida en los
términos de los objetivos del decisor. Si éste está interesado en un objetivo principal lo
que tenemos que hacer es encontrar la solución óptima. Así, si la medida de la eficiencia
es el beneficio, la solución óptima es la que maximiza el beneficio. A continuación con
la validación y evaluación de la solución, se establece la credibilidad del modelo, en el
sentido de ser una representación válida de la realidad. Nos debemos preguntar qué
mejora en términos de beneficios o ahorros de costes sobre el modo actual de operación
y cuál es el rango de beneficios potenciales que se pueden esperar. Las respuestas a
estas cuestiones determinarán si debemos abandonar el proyecto, reorientarlo o
continuar en la línea que llevamos.

En síntesis, podemos decir que para encontrar la solución del modelo podemos
hacerlo mediante enumeración si el número de alternativas es relativamente pequeño
(decenas), con los métodos de búsqueda como los de eliminación de intervalo, los
métodos basados en un algoritmo, los métodos clásicos del cálculo, los métodos de
solución heurística y la simulación. Los métodos de resolución más potentes son los
basados en algoritmos. Un algoritmo es un conjunto de operaciones lógicas y
matemáticas que se repiten en una secuencia determinada. Cada repetición de estas reglas
se llama iteración. Un algoritmo empieza con una solución que se va mejorando en cada
iteración, cuya solución obtenida se convierte en la solución inicial de la siguiente
iteración. Este proceso se repite hasta que se cumple la regla de parada. Ésta puede
indicar que se ha alcanzado la solución óptima, que no se ha obtenido una solución
posible o que se ha llegado al número de iteraciones o tiempo de computación
establecido.

Para que un algoritmo sea un método de resolución práctico debe tener una serie de
propiedades:

 Cada solución sucesiva debe mejorar la anterior

 Las soluciones sucesivas deben converger, estando cada vez más próximas a la
solución óptima.
 La convergencia a la solución óptima debe ocurrir en un número razonable de
iteraciones.
 El esfuerzo computacional de cada iteración tiene que ser suficientemente
pequeño para ser económicamente aceptable.

2
 Tema 1. Naturaleza y metodología de la investigación

La cota superior del número de iteraciones depende de los beneficios potenciales del
problema. Lo que puede ser razonable para encontrar la estrategia óptima de ampliación
en una gran empresa, puede ser excesivo para encontrar la ruta óptima de reparto en una
ciudad. En problemas reales para hacer estos cálculos se necesita un computador.
Muchas técnicas generales de Investigación Operativa como la programación lineal o la
programación entera utilizan algoritmos para encontrar la solución óptima.

Cuando los modelos son de gran complejidad o computacionalmente intratables

con los medios disponibles, los métodos heurísticos pueden ser la única alternativa
posible, como veremos en el último capítulo del libro (algoritmos genéticos y otros
metaheurísticos). Los métodos heurísticos utilizan la ingenuidad, la creatividad, la
intuición, el conocimiento o la experiencia humana para encontrar buenas soluciones o
mejorar una existente. A veces se puede encontrar explicación de por qué unas reglas
conducen a buenas e incluso soluciones óptimas. Otras se utilizan porque han
demostrado que funcionan bien. Los métodos heurísticos en general no garantizan la
solución óptima, aunque puede ser posible probar que la encuentran en algunos casos.
Utilizando la terminología de Herbert Simon, podríamos decir que los métodos
heurísticos están normalmente asociados con la palabra “satisfacer” más que con la de
optimizar. Por último, la simulación se utiliza en sistemas dinámicos complejos,
especialmente en los que hay que contemplar aspectos estocásticos. En este caso,
como en el de los métodos heurísticos, el analista debe esperar obtener buenas
políticas, más que la óptima.

Las dos últimas etapas de la fase de modelización consisten en la validación del

modelo, evaluar la solución y realizar el análisis de sensibilidad. Concretamente, el
objetivo de la validación es establecer si el modelo es matemáticamente correcto,
lógicamente consistente y refleja suficientemente bien la realidad. La validación del
modelo tiene dos facetas, la validación interna se conoce como verificación y la
validación externa que se denomina validación. La verificación implica analizar si el
modelo es matemáticamente correcto y lógicamente consistente. El mejor método para
verificar un modelo es analizando los resultados que se obtienen probando el modelo
con datos numéricos que tengan un amplio rango de valores. Esto implica verificar si las
expresiones son dimensionalmente consistentes. También debemos verificar la
corrección de las constantes numéricas. Debemos ir verificando el modelo a medida que
lo vamos desarrollando, poniendo de manifiesto el mencionado solape entre las
distintas fases de la metodología. En modelos complejos con muchas expresiones
interrelacionadas debemos comprobar la consistencia lógica.

La validación externa es mucho más complicada que la verificación. Lo que es o no

una aproximación suficiente es una cuestión de juicio. Esto dependerá
fundamentalmente del propósito del modelo y del uso de la solución. Un análisis
exploratorio tendrá suficiente con una aproximación, mientras que un modelo para
tomar decisiones diarias tendrá que reflejar mucho mejor la realidad. Por tanto, la
validación es una fase que se solapa con la definición del sistema relevante y con la
construcción del modelo. Debemos tener claro que no se puede demostrar que un

2
 Investigación operativa en administración y dirección de

modelo es válido, sólo podemos comprobar que no es válido. Esto tiene que ver con la
credibilidad del modelo. Si el modelo es creíble, el usuario tendrá confianza en él. Por
tanto, en la validación externa juegan un papel importante el decisor y el usuario. La
verificación y la validación son vistas como fases que se llevan a cabo cuando se ha
completado la fase de modelización. Este es un planteamiento erróneo. Si se hace en
este momento, los errores o hipótesis cuestionables harán que se pierda buena parte del
trabajo. La evaluación de todos los aspectos del modelo es un proceso continuo.
En cuanto a la evaluación de la solución, el principal objetivo es determinar los
beneficios esperados, tales como beneficios o ahorros netos, que puede producir la
implantación de la solución. Normalmente esta evaluación se realiza mediante
simulaciones con el computador, comparando la situación actual y la propuesta con el
mismo conjunto de datos. Si el sistema no está aún en funcionamiento se evalúa
estimando los beneficios potenciales mediante datos artificialmente generados. Algunas
reglas para llevar a cabo la evaluación de la solución son:
 La evaluación de la solución propuesta debe estar basada en observaciones del
comportamiento real (simulado) en un periodo de tiempo suficiente.
 Los datos deben ser independientes de los datos utilizados para obtener la mejor
política.
 Las pruebas no deben dar sólo el comportamiento esperado, sino también alguna
medida de su variabilidad.
 Por último, queremos resaltar la similitud entre los proyectos de Investigación
Operativa y los proyectos de investigación y desarrollo de nuevos productos. Hay
que invertir una cierta cantidad de fondos antes de poder saber el éxito potencial del
proyecto.
El último paso de la modelización consiste en realizar lo que se denomina análisis
“What if”. ¿Cómo le afecta a la solución elegida o a la solución óptima los cambios
individuales o simultáneos de los inputs no controlables del sistema? ¿Cuánto cuesta en
términos de reducción de beneficios la utilización del modelo con parámetros incorrectos?
El análisis de sensibilidad nos permite responder a estas preguntas y es, sin duda, uno de
los pasos más importantes del método de la Investigación Operativa. El conocimiento que
se obtiene del problema a partir del análisis de sensibilidad puede ser más valioso que la
propia solución. En síntesis, el análisis de sensibilidad consiste en la evaluación
sistemática de la respuesta de la solución óptima a las modificaciones de los datos de
entrada. Este análisis nos permite:
 Determinar la exactitud necesaria de los datos de entrada para el modelo.
 Establecer intervalos de control para las modificaciones en los parámetros y
datos de entrada para los cuales la solución óptima permanece cercana al óptimo.
 Evaluar el coste de oportunidad de los recursos escasos.
Como veremos, algunas técnicas y en especial la programación lineal proporcionan
cierta cantidad de análisis de sensibilidad, ya sea como subproducto de los cálculos

2
 Tema 1. Naturaleza y metodología de la investigación

algorítmicos o con poco esfuerzo adicional. En otros casos, el análisis de sensibilidad

requiere volver a resolver el problema para varias combinaciones de los datos de
entrada.

Cuando se termina la fase de modelización preparamos un informe detallado del

análisis realizado, sus logros y las recomendaciones para su implantación. Este
documento vuelve a ser tan importante como la propuesta, dado que sobre el mismo se
decidirá sobre la implantación.

1.4.3. IMPLANTACIÓN

En la fase de implantación, en primer lugar debemos preparar un plan detallado

sobre las diversas tareas de esta fase, su asignación a personas y su coordinación. Tras
lo cual se proponen los procedimientos para el establecimiento y mantenimiento de
controles de la solución recomendada. Por ejemplo, se especificará para qué rango de
valores de los parámetros del modelo la solución actual permanece válida y el
procedimiento exacto de actualización cuando se salgan de estos rangos.

En la implantación de la solución se hacen los cambios requeridos para pasar de la

situación actual a la propuesta. Una parte de este paso es la preparación de una completa
documentación del modelo, del software desarrollado para su utilización y los
correspondientes manuales de usuario. Por último, después de que la solución haya sido
probada durante un cierto tiempo debemos revisarla de nuevo. En esta fase se debe
comprobar en qué medida la solución satisface las expectativas en términos de
beneficios logrados y costes incurridos, así como un chequeo de su adecuada utilización
y posibles recomendaciones a la luz de la experiencia adquirida. Este paso puede dar
lugar a un informe final.

El proceso de implantación está lleno de dificultades que son fundamentalmente

de naturaleza humana. Esto se acentúa en los proyectos que tratan de mejorar
operaciones existentes. Los problemas de implantación pueden proceder de tres causas:
las relativas a la implantación de tareas físicas, tales como la complejidad de la
solución, la sensibilidad de los beneficios o costes a las desviaciones de las reglas
prescritas y cuánto se desvía la solución propuesta de la vigente, que cuanto mayores
son, más grandes serán los problemas de la implantación. La segunda causa de
problemas tiene que ver con los usuarios y otros individuos afectados por la solución,
tales como sus personalidades, su motivación y su orgullo en el trabajo. Por último, la
tercera causa de problemas en la fase de implantación se encuentra en el entorno del
proyecto, como el apoyo de la alta jerarquía al proyecto y su solución (cuanto menos
visible y explícito sea ese apoyo al proyecto, menor será la colaboración de los
usuarios) y las implicaciones organizativas de la solución (si el departamento del
usuario es más dependiente de otro o si los usuarios ven que la solución amenaza la
seguridad de su trabajo prestarán menor apoyo).

2
 Investigación operativa en administración y dirección de

Generalmente concentramos más nuestra atención en el primer factor que es una

cuestión de tecnología, desprovista de aspectos humanos. Los factores segundo y
tercero son de naturaleza cualitativa y suelen descuidarse y pasarse por alto, sin embargo
son serias restricciones a la implantación. Desde este punto de vista podemos ver la
implantación como un problema de relajar las restricciones humanas versus ajustes
de la solución técnica. Una manera de relajar estas restricciones es involucrando más al
usuario desde el principio del proyecto y preparándolo para que entienda la solución. El
éxito de la implantación casi se puede garantizar si el decisor y el usuario se sienten
propietarios de los resultados del análisis. Pueden desarrollar este sentimiento de
propiedad si pueden contribuir al proyecto de diversas maneras, con su experiencia y
profundo conocimiento de las operaciones. Por tanto, el analista les debe mantener
informados y solicitar su opinión y consejo respecto a muchas ideas. Si sienten que han
contribuido de forma significativa al proyecto, querrán ver puesta en marcha la
solución y tendrán un papel activo en el proceso de implantación.

Ya hemos dicho que la planificación de la implantación debe iniciarse desde el

comienzo del proyecto, cuando se establecen los primeros contactos con el
patrocinador. Una guía general para planificar la implantación es la siguiente:

Identificar a todos los implicados en el problema, en particular a los responsables de

tomar las decisiones y a los usuarios. Los primeros porque son los que tienen que
aprobar la implantación y los segundos porque su cooperación es necesaria para la
utilización continuada de la solución.

 Establecer líneas efectivas de comunicación con los decisores y usuarios del

problema.

 Explorar y gestionar las expectativas previas del proyecto.

 Mantener a los propietarios y usuarios del problema regularmente informados.

 Comprobar la disponibilidad y fuentes de todos los datos necesarios.

 Encargar el equipo y software requerido, si es necesario.

 Desarrollar todo el software necesario para la implantación y uso de la nueva

solución.

 Planificar y ejecutar el proceso real de implantación, como la preparación de

todos los datos en la forma requerida, manuales de usuario, sesiones de
formación, etc.

 Sesiones de seguimiento regulares con los usuarios.

Las técnicas de gestión de proyectos nos pueden ayudar a realizar adecuadamente la
planificación de la implantación.

3
 Tema 1. Naturaleza y metodología de la investigación

En cuanto a la fase de control y mantenimiento de la solución debemos hacer lo

siguiente:

 Para cada parámetro y restricción debemos indicar los cambios cuantitativos para
los cuales la solución permanece óptima o cuasi óptima.

 Indicar las relaciones estructurales entre inputs, variables y resultados que asume
el modelo.

 Especificar cómo medir los inputs y cada cuanto tiempo para ver si los cambios
son significativos y las medidas a tomar en su caso.

 Asignar las responsabilidades para el control de cada item y quien tiene que ser
notificado de los cambios detectados.

 Especificar cómo se tiene que ajustar la solución en respuesta a los cambios

cuantitativos en los inputs y quién y qué acciones se deben tomar en el caso de
posibles cambios estructurales.

El trabajo no termina con la implantación, sino que es esencial realizar un

seguimiento del comportamiento del modelo durante algún tiempo. Si hay algún mal
entendido o incorrecta aplicación hay que tomar medidas. Por ejemplo, corrigiendo los
manuales, haciendo sesiones de formación, etc. Una de las últimas cosas que se deben
hacer es auditar la solución. Esto implica evaluar el grado en que se han alcanzado los
beneficios esperados del proyecto. Para que sea válida la comparación entre los
beneficios antes y después del proyecto, como ya hemos indicado con anterioridad,
debemos utilizar los mismos datos. Si se encuentran importantes discrepancias entre los
beneficios reales y los estimados en el proyecto debemos analizar y explicar las causas.
Esto no es sólo importante para el patrocinador del proyecto, sino también para el que
desarrolla el modelo, pues de esta manera puede obtener un feedback cuantitativo y
cualitativo de su propia actuación. Por último, como indican Daellenbach y McNickle
(2005) es rara la implantación de todas las recomendaciones de un proyecto de
Investigación Operativa. Por tanto, la meta del analista debería ser lograr un grado
suficientemente alto de implantación, para poder obtener la mayor parte de los
beneficios potenciales.

Como hemos comentado en el apartado anterior, la Investigación Operativa

pretende mejorar la efectividad del sistema a nivel global. Esto sólo es posible si se
implementa la solución tan completamente como sea posible. Asegurar la implantación
de la solución es una de las primeras cosas que deben tenerse en cuenta en las fases de
formulación y modelización. Todas las medidas que incrementen las posibilidades de una
completa implantación deben de comenzar y ser planificadas desde el principio del
proyecto y continuar a lo largo de todas las fases. Aunque ya lo hemos mencionado,
queremos insistir en que el orden natural en el que se han descrito las fases de un
proyecto de Investigación Operativa es el orden en el que se inician normalmente, pero
cada paso se suele solapar con precedentes y siguientes. En cuanto a la elección del
modelo más apropiado se debe tener en cuenta el coste tanto del desarrollo como de la

3
Para seguir leyendo haga click aquí