2

C A P Í T U L O

Panorama del enfoque de modelado

en investigación de operaciones

L a mayor parte de este libro está dedicada a los métodos matemáticos de investigación de opera-
ciones (IO). Esta situación resulta apropiada puesto que las técnicas cuantitativas constituyen la
parte principal de lo que se conoce sobre el tema. Sin embargo, ello no significa que los estudios prác-
ticos de IO sean, en esencia, ejercicios de matemáticas. Con frecuencia, el análisis matemático sólo
representa una pequeña parte del trabajo. El propósito de este capítulo es dar a las cosas una mejor
dimensión mediante la descripción de las etapas más importantes de un estudio característico de IO.
Una manera de resumir las fases usuales —traslapadas— de un estudio de investigación de
operaciones es la siguiente:

1. Definición del problema de interés y recolección de datos relevantes.

2. Formulación de un modelo matemático que represente el problema.
3. Desarrollo de un procedimiento basado en computadora para derivar una solución para el
problema a partir del modelo.
4. Prueba del modelo y mejoramiento de acuerdo con las necesidades.
5. Preparación para la aplicación del modelo prescrito por la administración.
6. Implementación.
En las siguientes secciones se analizará cada una de estas etapas.
Las referencias que se presentan al final del capítulo incluyen algunos estudios de IO, gana-
dores de premios, que proporcionan ejemplos excelentes de cómo ejecutar de manera correcta
estas fases. A lo largo del capítulo se incorporarán algunos extractos de estos ejemplos. Si el lector
decide aprender más acerca de estas aplicaciones, en el sitio web del libro www.mhhe.com/hillier
se incluye un vínculo con los artículos que describen a detalle estos estudios de IO.

■ 2.1 DEFINICIÓN DEL PROBLEMA Y RECOLECCIÓN DE DATOS

En contraste con los ejemplos de los libros de texto, la mayor parte de los problemas prácticos que
enfrenta un equipo de IO son descritos, al principio, de una manera vaga e imprecisa. Por consi-
guiente, la primera actividad será el estudio del sistema relevante y el desarrollo de un resumen
bien definido del problema que será analizado. Esta etapa incluye la determinación de los objetivos
apropiados, las restricciones sobre lo que es posible hacer, las interrelaciones del área en estudio
con otras áreas de la organización, los diferentes cursos de acción posibles, los límites de tiempo
para tomar una decisión, etc. Este proceso de definición del problema es crucial, pues afectará de
forma significativa la relevancia de las conclusiones del estudio. ¡Es difícil obtener una respuesta
“correcta” a partir de un problema enfocado de manera “equivocada”!
Lo primero que debe reconocerse es que un equipo de IO, por lo general, trabaja a nivel de
asesoría. A los miembros del equipo no se les presenta un problema y se les dice que lo resuelvan
8 CAPÍTULO 2 PANORAMA DEL ENFOQUE DE MODELADO

como puedan, sino que asesoran a la administración (casi siempre un tomador de decisiones clave).
El equipo realiza un análisis técnico detallado y después presenta recomendaciones. Este informe
identifica cierto número de opciones atractivas, en particular con diferentes supuestos o para un
rango diferente de valores, de algún parámetro que marca una política que puede ser evaluada sólo
por esa administración: por ejemplo, la decisión entre costo y beneficio. La administración evalúa
el estudio y sus recomendaciones, analiza una variedad de factores intangibles y toma una decisión
final con base en su mejor juicio. Es vital que el equipo de IO tenga una visión al mismo nivel que
la administración, incluso para identificar el problema “correcto” desde el punto de vista gerencial
y que, a su vez, la administración le brinde apoyo sobre cualquier curso que tome el estudio.
Un aspecto muy importante de la formulación del problema es la determinación de los ob-
jetivos apropiados. Para hacerlo es necesario, en primer lugar, identificar a las personas de la
administración que en realidad tomarán las decisiones concernientes al sistema en estudio, y des-
pués escudriñar el pensamiento de estos individuos en relación con los objetivos pertinentes. (La
inclusión del tomador de decisiones desde el principio es esencial para obtener su apoyo durante
la realización del estudio.)
Por su naturaleza, a la IO le concierne el bienestar de toda la organización, no sólo de algunos
componentes. Un estudio de IO trata de encontrar soluciones óptimas globales, y no soluciones
subóptimas aunque sean lo mejor para uno de los componentes. Desde un punto de vista ideal, los
objetivos formulados deben coincidir con los de toda la organización; sin embargo, esta coinciden-
cia no siempre es conveniente. Muchos problemas interesan sólo a una parte de la organización,
de manera que el análisis sería demasiado extenso si los objetivos fueran generales y se prestara
atención especial a todos los efectos secundarios sobre el resto de la organización. En lugar de ello,
los objetivos de un estudio deben ser tan específicos como sea posible, siempre y cuando consideren
las metas principales del tomador de decisiones y mantengan un nivel razonable de congruencia
con los objetivos de niveles más elevados.
Cuando se trata de organizaciones lucrativas, un enfoque posible para no caer en un problema
de suboptimización es utilizar la maximización de la ganancia a largo plazo, considerando el valor
del dinero en el tiempo como un objetivo único. El adjetivo a largo plazo indica que este objetivo
proporciona la flexibilidad necesaria para considerar actividades que no se traducen de inmediato
en ganancias, como los proyectos de investigación y desarrollo, pero que deberán hacerlo con el
tiempo para que valgan la pena. Este enfoque tiene muchas ventajas. El objetivo es tan específico
como para usarlo en forma adecuada y al mismo tiempo lo bastante amplio como para tomar en
cuenta la meta básica de las organizaciones lucrativas. En realidad, algunas personas piensan que
cualquier otro objetivo legítimo se puede traducir en ganancias.
Sin embargo, en la práctica, muchas organizaciones lucrativas no utilizan este enfoque. Al-
gunos estudios de corporaciones estadounidenses han demostrado que la administración tiende a
adoptar la meta de ganancias satisfactorias combinada con otros objetivos, en lugar de enfocarse
en la maximización de la ganancia a largo plazo. Algunos de estos otros objetivos pueden ser con-
servar la estabilidad de las ganancias, aumentar o conservar la participación de mercado con que
se cuenta, permitir la diversificación de productos, mantener precios estables, mejorar las condicio-
nes y el ánimo de los trabajadores, mantener el control familiar sobre el negocio o incrementar el
prestigio de la compañía. Si se satisfacen estos objetivos, tal vez se logre maximizar las ganancias
a largo plazo, pero la relación puede ser tan oscura que quizá sea mejor no incorporarlos.
Existen otras consideraciones que incluyen responsabilidades sociales muy distintas al obje-
tivo de las ganancias. Las cinco partes que son afectadas por una empresa de negocios que se loca-
lizan en un país determinado son: 1) los dueños (accionistas, etc.), que desean obtener ganancias
(dividendos, valuación de acciones, etc.); 2) los empleados, que aspiran a un empleo seguro con un
salario razonable; 3) los clientes, que quieren un producto confiable a un precio justo; 4) los provee-
dores, que desean integridad y un precio de venta razonable para sus bienes, y 5) el gobierno y, por
ende, la nación, que quiere el pago de impuestos justo y que se tome en cuenta el interés común.
Las cinco partes hacen contribuciones esenciales a la empresa; ésta no debe servir a ninguna de
ellas para explotar a las otras. De la misma manera, las corporaciones internacionales adquieren las
obligaciones adicionales de cumplir con una práctica social responsable. En consecuencia, aunque
se acepte que obtener ganancias es la responsabilidad primordial de la administración, lo cual, en
última instancia, beneficia a las cinco partes, también deben reconocerse estas responsabilidades
sociales más extensas.
 2.2 FORMULACIÓN DE UN MODELO MATEMÁTICO 9

Es común que los equipos de IO pasen mucho tiempo en la recolección de los datos relevan-
tes del problema. Se necesitan muchos datos para lograr la comprensión exacta del problema y
así proporcionar el insumo adecuado para el modelo matemático que se elaborará en la siguiente
etapa del estudio. Con frecuencia, al inicio de éste no se dispone de muchos datos necesarios, ya
sea porque nunca se guardó la información o porque lo que se guardó cayó en la obsolescencia o
se almacenó en una forma incorrecta. En consecuencia, muchas veces se debe instalar un nuevo
sistema de información general para reunir los datos sobre la marcha y en la forma adecuada. El
equipo de IO debe destinar un tiempo considerable para recabar la ayuda de otros miembros clave
de la organización, entre ellos especialistas en tecnología de la información (TI), para rastrear todos
los datos vitales. Aun con este esfuerzo, muchos datos pueden ser blandos, es decir, estimaciones
burdas basadas sólo en juicios personales. A menudo, el equipo de IO debe utilizar una gran can-
tidad de tiempo para mejorar la precisión de los datos y al final tendrá que trabajar con lo mejor
que pudo obtener.
Debido a la expansión del uso de bases de datos y el crecimiento explosivo de su tamaño en
los años recientes, en la actualidad los equipos de IO a menudo se encuentran con que su problema
más grande con los datos es que existen demasiados. Puede haber miles de fuentes de información,
por lo cual la cantidad total de datos debe medirse en gigabytes o incluso en terabytes. En este
entorno, la localización de los datos relevantes y la identificación de patrones interesantes pueden
convertirse en tareas abrumadoras. Una de las herramientas más modernas de los equipos de IO que
aborda este problema es una técnica denominada extracción de datos. Los métodos para aplicarla
tratan de descubrir patrones interesantes dentro de las grandes fuentes de información que puedan
conducir a una toma de decisiones útiles. (La segunda referencia seleccionada al final del capítulo
proporciona una base más sólida acerca de la extracción de datos.)

Ejemplo. A finales de la década de los noventa, las compañías de servicios financieros genera-
les sufrieron el ataque de las firmas de correduría electrónica que ofrecían costos de compraventa
financiera muy bajos. Merrill Lynch respondió con la realización de un gran estudio de IO que
recomendó la revisión completa de la manera en que cobraba sus servicios, desde una opción ba-
sada en activos de servicio completo —cargo de un porcentaje fijo del valor de los activos en vez
de hacerlo por transferencias individuales— hasta una opción de bajo costo para los clientes que
deseaban invertir en línea de manera directa. La recolección y el procesamiento de datos tuvieron
un papel fundamental en el estudio. Para analizar el efecto del comportamiento de cada uno de los
clientes en respuesta a diferentes opciones, el equipo decidió montar una base de datos de clientes
con una capacidad de 200 gigabytes, la cual debía contener 5 millones de clientes, 10 millones de
cuentas, 100 millones de registros de transacciones y 250 millones de registros contables. Este ob-
jetivo requirió combinar, reconciliar, filtrar y limpiar datos procedentes de muchas bases de datos.
La adopción de las recomendaciones del estudio produjo un incremento de cerca de 50 000 millo-
nes de dólares en la posesión de activos de sus clientes y casi 80 millones de dólares en ganancias
adicionales. (La referencia seleccionada A2 describe este estudio a detalle.)

■ 2.2 FORMULACIÓN DE UN MODELO MATEMÁTICO

Una vez que el tomador de decisiones define el problema, la siguiente etapa consiste en reformular-
lo de manera conveniente para su análisis. La forma convencional en que la investigación de ope-
raciones logra este objetivo es mediante la construcción de un modelo matemático que represente
la esencia del problema. Antes de analizar cómo se elaboran los modelos de este tipo se explorará
su naturaleza general y, en particular, la de los modelos matemáticos.
Los modelos, o representaciones idealizadas, son una parte integral de la vida diaria. Entre los
ejemplos más comunes pueden citarse modelos de avión, retratos, globos terráqueos y otros. De
igual manera, los modelos tienen un papel importante en la ciencia y los negocios, como lo hacen
patente los modelos del átomo y de las estructuras genéticas, las ecuaciones matemáticas que des-
criben las leyes físicas del movimiento o las reacciones químicas, las gráficas, los organigramas y
los sistemas contables en la industria. Esos modelos son invaluables, pues extraen la esencia del
material de estudio, muestran sus interrelaciones y facilitan el análisis.
10 CAPÍTULO 2 PANORAMA DEL ENFOQUE DE MODELADO

Los modelos matemáticos también son representaciones idealizadas, pero están expresados en
términos de símbolos y expresiones matemáticas. Las leyes de la física como F 5 ma y E 5 mc2
son ejemplos familiares. En forma parecida, el modelo matemático de un problema industrial está
conformado por el sistema de ecuaciones y expresiones matemáticas relacionadas que describen
la esencia del problema. De esta forma, si deben tomarse n decisiones cuantificables relacionadas
entre sí, se representan como variables de decisión (x1, x2, . . . , xn) para las que se deben determi-
nar los valores respectivos. En consecuencia, la medida de desempeño adecuada (por ejemplo, la
ganancia) se expresa como una función matemática de estas variables de decisión (por ejemplo,
P 5 3x1 1 2x2 1 . . . 1 5xn). Esta función se llama función objetivo. También se expresan en tér-
minos matemáticos todas las limitaciones que se puedan imponer sobre los valores de las variables
de decisión, casi siempre en forma de ecuaciones o desigualdades (como x1 1 3x1 x21 2x2 # 10).
Con frecuencia, tales expresiones matemáticas de las limitaciones reciben el nombre de restriccio-
nes. Las constantes (los coeficientes o el lado derecho de las expresiones) de las restricciones y de
la función objetivo se llaman parámetros del modelo. El modelo matemático puede decir entonces
que el problema es elegir los valores de las variables de decisión de manera que se maximice la
función objetivo, sujeta a las restricciones dadas. Un modelo de este tipo, y algunas de sus variantes
menores, tipifican los modelos que se analizan en investigación de operaciones.
La determinación de los valores apropiados que deben asignarse a los parámetros del modelo
—un valor por parámetro— es una tarea crítica y a la vez un reto en el proceso de construcción del
modelo. Al contrario de los problemas que se presentan en los libros donde se proporcionan estos
números, la determinación de los valores de los parámetros en los problemas reales requiere la
recolección de los datos relevantes. Como se vio en la sección anterior, a menudo la recolección de
datos exactos es difícil. Por lo tanto, es común que el valor asignado a un parámetro sea, por necesi-
dad, sólo una estimación. Debido a la incertidumbre sobre el valor real del parámetro es importante
analizar la forma de cómo cambiaría —si lo hace— la solución derivada del problema cuando el
valor asignado al parámetro cambia por otros valores posibles. Este proceso, que se conoce como
análisis de sensibilidad, se estudiará en la siguiente sección (y en gran parte del capítulo 6).
Aun cuando se hable de “el” modelo matemático de un problema industrial, por lo general los
problemas reales no pueden ser representados por un solo modelo “correcto”. En la sección 2.4 se
describe la manera en que el proceso de prueba de un modelo conduce a una serie de modelos que
proporcionan representaciones cada vez mejores del problema real. Incluso, es posible desarrollar
dos o más tipos de modelos diferentes para analizar el mismo problema.
A lo largo de este libro se proporcionarán numerosos ejemplos de modelos matemáticos. En
los capítulos siguientes se estudia cierta clase de modelo con una importancia especial, denomina-
do modelo de programación lineal, en el que las funciones matemáticas que aparecen tanto en la
función objetivo como en las restricciones, son funciones lineales. En el capítulo 3 se construyen
modelos específicos de programación lineal que se ajustan a diversos tipos de problemas, tales
como determinar 1) la mezcla de productos que maximiza la ganancia, 2) el diseño de la terapia de
radiación que combata de manera eficaz un tumor y que al mismo tiempo minimice el daño al tejido
sano circundante, 3) la asignación de hectáreas a distintos cultivos para maximizar el rendimiento
total neto y 4) la combinación de métodos de control de contaminación que logre los estándares
de calidad del aire a un costo mínimo.
Los modelos matemáticos tienen muchas ventajas sobre una descripción verbal del proble-
ma. La más obvia es que describe un problema en forma mucho más concisa. Esta característica
tiende a hacer más comprensible toda la estructura del problema y ayuda a revelar las relaciones
importantes causa-efecto. En segundo lugar, indica con mayor claridad qué datos adicionales son
importantes para el análisis. También facilita el manejo total del problema y, al mismo tiempo, el
estudio de sus interrelaciones. Por último, un modelo matemático forma un puente para el empleo
de técnicas matemáticas y computadoras de alto poder para analizar el problema. Sin duda, existe
una amplia disponibilidad de paquetes de software para resolver muchos tipos de modelos mate-
máticos, en computadoras personales y de gran poder.
Por otro lado, existen obstáculos que se deben evitar cuando se utilizan modelos matemáticos.
Un modelo es, por necesidad, una idealización abstracta del problema, por lo que casi siempre se
requieren aproximaciones y supuestos de simplificación si se desea que el modelo sea manejable
(susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una
representación válida del problema. El criterio adecuado para juzgar la validez de un modelo es si
 2.3 OBTENCIÓN DE SOLUCIONES A PARTIR DEL MODELO 11

predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de acción, para
poder tomar una decisión que tenga sentido. No es necesario incluir detalles sin importancia o
factores que tienen casi el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la
magnitud absoluta de la medida de desempeño sea casi correcta para las diferentes alternativas,
siempre que sus valores relativos —es decir, las diferencias entre sus valores— sean bastante preci-
sos. En consecuencia, todo lo que se requiere es que exista una alta correlación entre la predicción
del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante
hacer un número considerable de pruebas del modelo y las modificaciones consecuentes, que se-
rán el tema de la sección 2.4. Aunque en el orden del libro esta fase de pruebas se haya colocado
después, gran parte del trabajo de validación del modelo se lleva a cabo en la etapa de construcción
para que sirva de guía para elaborar el modelo matemático.
En la etapa de desarrollo del modelo se recomienda empezar con una versión muy sencilla y
avanzar de manera evolutiva hacia paradigmas más elaborados que reflejen mejor la complejidad
del problema real. Este proceso de enriquecimiento del modelo continúa sólo mientras sea mane-
jable. La decisión básica que debe tomarse oscila entre la precisión y el manejo del modelo. (Vea
en la referencia 8 una descripción detallada de este proceso.)
Un paso crucial en la formulación de un modelo de IO es la construcción de la función objetivo.
Esta tarea requiere desarrollar una medida cuantitativa del desempeño asociado a cada objetivo
que el tomador de decisiones identifica cuando define el problema. Si en el estudio se contempla
más de un objetivo, es necesario transformar y combinar las medidas respectivas en una medida
compuesta de eficacia llamada medida global de desempeño. Esta medida compuesta puede ser
algo tangible —ganancias— y corresponder a una meta más alta de la organización, o puede
ser abstracta —utilidad—. En este caso, desarrollar una función de utilidad puede ser complejo y
requerir una comparación cuidadosa de los objetivos y su importancia relativa. Una vez desarro-
llada la medida global de desempeño, la función objetivo expresa esta medida como una función
matemática de las variables de decisión. De manera alternativa, existen métodos que contemplan
al mismo tiempo y en forma explícita objetivos múltiples; en el capítulo 7 se analiza uno de ellos
(programación de metas).

Ejemplo. La oficina responsable de control del agua y los servicios públicos del gobierno de
Holanda, el Rijkswaterstaat, contrató un importante estudio de IO para guiar el desarrollo de una
nueva política de administración del vital líquido. La nueva política ahorró cientos de millones de
dólares en gastos de inversión y redujo el daño agrícola en alrededor de 15 millones de dólares
anuales, al mismo tiempo que disminuyó la contaminación térmica y la debida a las algas. En lugar
de elaborar sólo un modelo matemático se desarrolló un sistema integrado y comprensivo de ¡50
modelos! Más aún, en el caso de algunos modelos se desarrollaron versiones sencillas y complejas.
La versión sencilla se usó para adquirir una visión básica que incluyó el análisis de intercambios. La
versión compleja se utilizó después, en las corridas finales del análisis o cuando se deseaba mayor
exactitud o más detalle en los resultados. El estudio completo de IO involucró de manera directa
a más de 125 personas-año de esfuerzo, más de un tercio de ellas en la recolección de datos, creó
varias docenas de programas de computadora y estructuró una enorme cantidad de datos. (La re-
ferencia seleccionada A7 describe el estudio a detalle.)

■ 2.3 OBTENCIÓN DE SOLUCIONES A PARTIR DEL MODELO

Una vez formulado el modelo matemático del problema en estudio, la siguiente etapa de un trabajo
de IO consiste en desarrollar un procedimiento, por lo general en computadora, para obtener una
solución a partir de este modelo. Puede pensarse que ésta debe ser la parte principal del estudio,
pero, en realidad, en la mayoría de los casos no lo es. De hecho, a veces ésta es una etapa bastante
sencilla, en la que se aplica uno de los dos algoritmos —procedimientos iterativos de solución— de
investigación de operaciones en una computadora mediante el uso de algunos de los paquetes
de software disponibles. Para el investigador de operaciones experimentado, encontrar la solución
es la parte divertida, mientras que el verdadero trabajo se encuentra en las etapas anteriores y en las
subsecuentes, entre las que se incluyen el análisis posóptimo, tema que se explicará más adelante
en esta sección.
 Recuadro de aplicación
12 CAPÍTULO 2 PANORAMA DEL ENFOQUE DE MODELADO

Continental Airlines es una importante compañía estadouni- de decisión y muchos miles de restricciones. En su primer año
dense que transporta pasajeros, carga y correo. Opera más de de uso (principalmente en 2001), el modelo se aplicó cuatro
2 000 salidas diarias a muchos más de 100 destinos nacionales veces para recuperarse de interrupciones de itinerario muy
y casi 100 internacionales. importantes (dos tormentas de nieve, una inundación y los
Las aerolíneas como Continental enfrentan a diario in- ataques terroristas del 11 de septiembre). Ello produjo aho-
terrupciones en el itinerario debido a eventos inesperados, rros de aproximadamente 40 millones de dólares. Las aplica-
entre los que se destacan inclemencias del clima, problemas ciones subsiguientes se extendieron a muchas interrupciones
mecánicos en los aviones e indisponibilidad de las tripula- menores diarias.
ciones. Estas interrupciones pueden ocasionar retrasos y can- Aunque después otras aerolíneas comenzaron a aplicar
celaciones en los vuelos. En consecuencia, las tripulaciones investigación de operaciones de una manera similar, esta ven-
pueden no estar en posición de prestar el servicio en sus vuelos taja inicial sobre las demás compañías para recuperarse con
programados restantes. Las líneas aéreas deben reasignar tri- más rapidez de interrupciones de itinerario con menos vuelos
pulaciones con rapidez para cubrir los vuelos abiertos y para retrasados y cancelados colocó a Continental Airlines en una
regresarlos a sus programas originales de una manera eficien- posición fuerte cuando la industria enfrentó un periodo di-
te en cuanto a costos al mismo tiempo que cumple todas las fícil durante los años iniciales del siglo xxi. Esta iniciativa
regulaciones gubernamentales, obligaciones contractuales y permitió a la empresa ganar en 2002 el primer lugar en la
elevados estándares de calidad de vida. competencia internacional por el Premio Franz Edelman al
Para enfrentar estos problemas, un equipo de IO en Con- desempeño en investigación de operaciones y ciencias de la
tinental Airlines desarrolló un modelo matemático detallado administración.
para reasignar tripulaciones a vuelos tan pronto como surgían
las emergencias. Como la aerolínea tiene miles de tripulacio- Fuente: G. Yu, M. Argüello, C. Song, S. M. McGowan y A. White,
nes y vuelos diarios, el modelo necesitaba ser enorme para po- “A New Era for Crew Recovery at Continental Airlines”, en Inter-
der considerar todas las posibles asignaciones de tripulaciones faces, 33(1): 5-22, enero-febrero, 2003. (En nuestro sitio web se
a vuelos. Por lo tanto, el modelo tiene millones de variables proporciona un vínculo con este artículo, www.mhhe.com/hillier.)

Como la mayor parte de este libro está dedicada a la obtención de soluciones para los distin-
tos e importantes tipos de modelos matemáticos, en este momento no es necesario aclarar nada al
respecto. Sin embargo, sí lo es presentar la naturaleza de ellas.
Un tema común en IO es la búsqueda de una solución óptima, es decir, la mejor. Sin duda,
como aquí se presenta, se han desarrollado muchos procedimientos para encontrarla en cierto ti-
po de problemas, pero es necesario reconocer que estas soluciones son óptimas sólo respecto del
modelo elaborado. Además, como éste, por necesidad, es una idealización más que una repre-
sentación exacta del problema real, no existe una garantía utópica de que sea la mejor solución
que pueda implantarse. Existen demasiados imponderables e incertidumbres asociados con los
problemas reales; sin embargo, si el modelo está bien formulado y verificado, la solución debe
tender a constituirse en una buena aproximación de un curso de acción ideal en la realidad. Por
esto, más que empeñarse en exigir lo imposible, la prueba del éxito de un estudio de IO debe ser si
proporciona o no una mejor guía para la toma de decisiones que la que se puede obtener por otros
medios.
Herbert Simon, eminente científico de la administración y premio Nobel de economía, intro-
dujo el concepto de que en la práctica es mucho más frecuente satisfizar que optimizar. Al inventar
el término satisfizar como una combinación de satisfacer y optimizar, Simon describe la tendencia
de los administradores a buscar una solución que sea “lo suficientemente buena” para el problema
que se enfrenta. En lugar de intentar el desarrollo de una medida global de desempeño para conci-
liar de manera óptima los conflictos entre los diferentes objetivos deseables, incluso los criterios
bien establecidos para juzgar el desempeño de los distintos segmentos de la organización, es po-
sible utilizar un enfoque más pragmático. Las metas se pueden establecer de manera que marquen
los niveles mínimos satisfactorios de desempeño en las diferentes áreas, con base quizá en niveles
de desempeño anteriores o en los logros de la competencia. Si se encuentra una solución que per-
mita que todas estas metas sean cumplidas, es posible que sea adoptada sin más requisitos. Ésta es
la naturaleza de satisfizar.
La distinción entre optimizar y “satisfizar” refleja la diferencia entre la teoría y la realidad,
disparidad que con frecuencia se encuentra al tratar de implantar esa teoría en la práctica. En pa-
2.3 OBTENCIÓN DE SOLUCIONES A PARTIR DEL MODELO 13

labras de uno de los líderes ingleses de la investigación de operaciones, Samuel Eilon, “optimizar
es la ciencia de lo absoluto; satisfizar es el arte de lo factible”.1
Los equipos de IO intentan incorporar al proceso de toma de decisiones la mayor cantidad
posible de la “ciencia de lo absoluto”. Sin embargo, un equipo que trabaja con éxito debe reconocer
la necesidad más importante del tomador de decisiones: obtener una guía satisfactoria para sus ac-
ciones en un periodo razonable. Por lo tanto, la meta de un estudio de investigación de operaciones
debe ser la realización del proceso de manera óptima, sin importar si implica una solución óptima
para el modelo. Además de buscar la ciencia de lo absoluto, el equipo debe tomar en cuenta el costo
del estudio y las desventajas de retrasar su terminación, y después, intentar maximizar los benefi-
cios netos que resulten de dicho estudio. Al reconocer este concepto, en ocasiones los equipos de
investigación de operaciones utilizan sólo procedimientos heurísticos —es decir, procedimientos
de diseño intuitivo que no garantizan una solución óptima— para encontrar una buena solución
subóptima. Esto ocurre con más frecuencia en los casos en que el tiempo o el costo para encontrar
una solución óptima para un modelo adecuado del problema son muy grandes. En años recientes
se han logrado grandes progresos en el desarrollo de procedimientos metaheurísticos eficientes y
eficaces; estos procedimientos proporcionan una estructura general y directrices estratégicas para
diseñar un procedimiento heurístico específico que se ajuste a un tipo particular de problema. El
uso del enfoque metaheurístico (capítulo 13) continúa en crecimiento.
Hasta aquí ha quedado claro que un estudio de investigación de operaciones trata de encontrar
una solución única, de la que puede o no requerirse que sea óptima. En realidad, esto casi nunca
es lo que se busca. Una solución óptima para el modelo original puede estar muy alejada del ideal
en el caso del problema real, de manera que es necesario hacer un análisis adicional. El análisis
posóptimo —que se lleva a cabo después de encontrar una solución óptima— constituye una
parte muy importante de la mayoría de los estudios de investigación de operaciones. Este análisis
también se conoce como análisis de qué pasa si, puesto que involucra algunas preguntas acerca
de qué pasaría con la solución óptima si se hubieran considerado supuestos diferentes sobre las
condiciones futuras. Con frecuencia, los administradores que tomarán las últimas decisiones son
quienes hacen estas preguntas y no el equipo de IO.
Con el advenimiento de los poderosos paquetes de software de hojas de cálculo, en la actua-
lidad el papel central del análisis posóptimo suele tenerlo una de estas hojas. Una de sus grandes
ventajas es la facilidad con que cualquier persona puede usarlas, incluidos los administradores,
para ver qué pasa con una solución óptima cuando se introducen cambios en el modelo. Este pro-
ceso de experimentar con cambios en el modelo también puede ser útil para llegar a comprender
el comportamiento del modelo y adquirir mayor confianza en su validez.
En parte, el análisis posóptimo implica llevar a cabo un análisis de sensibilidad para determi-
nar qué parámetros del modelo son críticos —los “parámetros sensibles”— cuando se determina la
solución. Una definición común de parámetros sensibles —que se usará aquí— es:

En el caso de un modelo matemático cuyos parámetros tienen valores específicos, los parámetros
sensibles del modelo son aquellos cuyos valores no se pueden cambiar sin que la solución óptima
también cambie.

La identificación de los parámetros sensibles es importante, porque determina aquellos cuyos

valores deben asignarse con más cuidado para evitar distorsiones en los resultados que generará
el modelo.
Por lo general, el valor de un parámetro es una estimación de alguna cantidad —por ejemplo,
la ganancia unitaria— cuyo valor exacto se conocerá sólo después de poner en práctica la solu-
ción. Por lo tanto, después de identificar los parámetros sensibles se deben realizar estimaciones
más precisas y cuidadosas de cada uno de ellos, o por lo menos del intervalo de valores posibles.
Después, se busca una solución aceptable para todas las combinaciones de valores posibles de los
parámetros sensibles.
Si la solución se implanta sobre la marcha, cualquier cambio posterior en el valor de un pará-
metro sensible señala de inmediato la necesidad de cambiar la solución.

1
S. Eilon, “Goals and Constraints in Decision-making”, en Operational Research Quarterly, 23: 3-15, 1972, conferencia
anual de la Canadian Operational Research Society, 1971.
14 CAPÍTULO 2 PANORAMA DEL ENFOQUE DE MODELADO

En algunos casos, ciertos parámetros del modelo representan políticas de decisión, como
asignación de recursos. Si es así, con frecuencia existe flexibilidad sobre los valores dados a estos
parámetros. Tal vez algunos se puedan aumentar si otros disminuyen. El análisis posóptimo incluye
la investigación de estas compensaciones.
Junto con la etapa de estudio que se presenta en la siguiente sección: prueba del modelo,
el análisis posóptimo incluye obtener un conjunto de soluciones que comprende una serie de
aproximaciones, cada vez más precisas, al curso de acción ideal. De esta forma, las debilidades
aparentes de la solución inicial se usan para sugerir mejoras al modelo, a sus datos de entrada y
quizás al procedimiento de solución. De esta forma se obtiene una nueva solución, y el ciclo se
repite. Este proceso sigue hasta que las mejoras a soluciones sucesivas son demasiado pequeñas
como para justificar su reiteración. Aun entonces pueden presentarse a la administración varias
soluciones posibles —quizá soluciones que son óptimas para una de varias versiones convincentes
del modelo y sus datos de entrada— para hacer la selección final. Como se explicó en la sección
2.1, esta presentación de soluciones alternativas se lleva a cabo cuando la elección final entre ellas
debe basarse en consideraciones que es mejor dejar al juicio de la administración.

Ejemplo. Considere de nuevo el estudio de IO del Rijkswaterstaat sobre la política nacional

de administración de agua en Holanda, que se presentó al final de la sección anterior. Este estudio
no concluyó con la recomendación de una sola solución. Más bien, se identificaron, analizaron
y compararon varias alternativas atractivas. La elección final, que se dejó al proceso político del
gobierno de Holanda, culminó con la aprobación del Parlamento. El análisis de sensibilidad tuvo
un papel importante en este estudio. Por ejemplo, ciertos parámetros de los modelos representaron
estándares ecológicos. El análisis de sensibilidad incluyó la evaluación del efecto en los problemas
de agua si los valores de estos parámetros fueran cambiados de los estándares ecológicos actuales a
otros valores razonables. Se usó también para evaluar el efecto de cambios en los supuestos de los
modelos, por ejemplo, el supuesto sobre el efecto de tratados internacionales futuros en materia de
contaminación que pudiera firmar Holanda. También se analizaron varios escenarios, como años
secos o lluviosos en extremo, para lo cual se asignaron las probabilidades adecuadas.

■ 2.4 PRUEBA DEL MODELO

En algunos aspectos, la elaboración de un modelo matemático grande es análogo al desarrollo de un
programa de computadora grande. Cuando se completa la primera versión es inevitable que con-
tenga muchas fallas. El programa debe ser probado de manera exhaustiva para tratar de encontrar
y corregir tantas fallas como sea posible. Con el tiempo, después de una larga serie de programas
mejorados, el programador —o equipo de programación— concluye que el programa actual pro-
porciona, en general, resultados razonablemente válidos. Aunque sin duda quedarán algunas fallas
ocultas —y quizá nunca sean detectadas— se habrá eliminado la cantidad suficiente de problemas
mayores como para que su utilización sea confiable.
De manera similar, es inevitable que la primera versión de un modelo matemático complejo
tenga muchas fallas. Sin duda, algunos factores o interrelaciones relevantes no fueron incorporados
a él y algunos parámetros no fueron estimados con precisión. Estas circunstancias no se pueden
eludir dadas las dificultades de comunicación y comprensión de todos los aspectos y sutilezas de un
problema operacional complejo, así como la dificultad de recolectar datos confiables. Por lo tanto,
antes de usar el modelo debe probarse de manera exhaustiva para intentar identificar y corregir la
mayor cantidad posible de fallas. Con el tiempo, después de una larga serie de modelos mejorados,
el equipo de investigación de operaciones concluye que el modelo actual produce resultados razo-
nablemente válidos. Aunque sin duda quedarán algunos problemas menores ocultos en el modelo,
las fallas importantes habrán sido eliminadas de manera que el uso del modelo sea confiable.
Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce
como validación del modelo.
Es difícil describir cómo se lleva a cabo la validación del modelo porque el proceso depende en
gran parte del problema bajo estudio y del modelo que se elaboró. Sin embargo, se harán algunos
comentarios generales y después se darán algunos ejemplos (vea más detalles en la referencia 3).
 2.5 PREPARACIÓN PARA APLICAR EL MODELO 15

Como el equipo de IO puede emplear meses en las actividades de desarrollo de todas las piezas
detalladas del modelo, es fácil que “los árboles le impidan ver el bosque”. Después de completar
los detalles (“los árboles”) de la versión inicial del modelo, una buena manera de comenzar las
pruebas es observarlo en forma global (“el bosque”) para verificar los errores u omisiones obvias.
El grupo que lleva a cabo esta revisión debe, de preferencia, incluir por lo menos a una persona
que no haya participado en la elaboración del modelo. Cuando se examina de nuevo la formulación
del problema y se la compara con el modelo pueden descubrirse algunos errores. También es útil
asegurarse de que todas las expresiones matemáticas de las dimensiones de las unidades que se
emplearon sean congruentes. Además, puede obtenerse un mejor conocimiento de la validez del
modelo si se modifican los valores de los parámetros de entrada y/o de las variables de decisión,
y se comprueba que los resultados del modelo se comportan de una manera plausible. A menudo
estos resultados son reveladores, en especial cuando son asignados a los parámetros o variables
valores extremos cercanos a sus máximos o a sus mínimos.
Un planteamiento más sistemático de la prueba del modelo se logra mediante el empleo de una
prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos históricos y reconstruye el
pasado para determinar si el modelo y la solución resultante hubieran tenido un buen desempeño,
si se hubieran usado. La comparación de la eficacia de este desempeño hipotético con lo que en
realidad ocurrió indica si la utilización del modelo tiende a generar mejoras significativas respecto
de la práctica actual. Puede indicar también áreas en las que el modelo tiene fallas y requiere modi-
ficaciones. Aún más, cuando se emplean las alternativas de solución y se estiman sus desempeños
históricos hipotéticos, se pueden reunir evidencias sobre la precisión del modelo para predecir los
efectos relativos de los diferentes cursos de acción.
Por otra parte, la prueba retrospectiva tiene la desventaja de que se basa en los mismos datos
que sirvieron para formular el modelo. Entonces, la pregunta crucial es si el pasado en realidad
representa el futuro. Si no es así, el modelo puede tener un desempeño distinto en el futuro del que
haya tenido en el pasado.
Para evitar esta desventaja de la prueba retrospectiva, a veces es útil continuar con las circuns-
tancias actuales durante una temporada. Este recurso proporcionará nuevos datos con los cuales
no se contaba cuando el modelo fue construido, los que se pueden emplear de la manera descrita
para evaluar el modelo.
Es importante documentar el proceso que se utiliza para llevar a cabo las pruebas de la vali-
dación del modelo, pues ello ayuda a aumentar la confianza de los futuros usuarios del paradigma.
Más aún, si en el futuro surgen preocupaciones sobre el modelo, esta documentación ayudará a
diagnosticar en dónde pueden encontrarse los problemas.

Ejemplo. Considere un estudio de IO realizado para IBM cuyo objetivo era integrar su red
nacional de inventarios de refacciones para mejorar el servicio a los clientes, al mismo tiempo que
reducir el valor de aquéllos en más de 250 millones de dólares y ahorrar otros 20 millones de dólares
anuales mediante el mejoramiento de la eficiencia operacional. Un aspecto en particular interesante
de la etapa de validación del modelo en este estudio fue la manera en que fueron incorporados al
proceso de prueba los usuarios futuros del sistema de inventarios. Debido a que estos usuarios
futuros —los administradores de IBM de las áreas funcionales responsables de la implantación del
sistema de inventarios —dudaban del sistema que se desarrollaba, fueron asignados representantes
de la empresa a un equipo de usuarios que tendría la función de asesorar al equipo de IO. Una vez
desarrollada la versión preliminar del nuevo sistema —basada en un sistema de inventarios de mul-
tiniveles— se llevó a cabo una prueba preliminar de implementación. La extensa retroalimentación
por parte del equipo de usuarios generó mejoras importantes en el sistema propuesto. (La referencia
seleccionada A5 describe este estudio a detalle.)

■ 2.5 PREPARACIÓN PARA APLICAR EL MODELO

¿Qué pasa después de completar la etapa de pruebas y desarrollar un modelo aceptable? Si el
modelo va a usarse varias veces, el siguiente paso es instalar un sistema bien documentado para
aplicarlo según lo establecido por la administración. Este sistema debe incorporar el modelo y el
procedimiento de solución —que incluye el análisis posóptimo— y los procedimientos operativos
16 CAPÍTULO 2 PANORAMA DEL ENFOQUE DE MODELADO

para su implantación. Así, aun cuando cambie el personal, el sistema puede ser consultado de ma-
nera periódica para proporcionar una solución numérica específica.
Este sistema casi siempre se diseña para computadora. En realidad, con frecuencia se necesita
un número considerable de programas integrados. Las bases de datos y los sistemas de información
administrativos pueden proporcionar la entrada actualizada para el modelo cada vez que se use,
en cuyo caso se necesitan programas de interfaz, es decir, interacción con el usuario. Después de
aplicar un procedimiento de solución —otro programa— al modelo, puede ser que los programas
adicionales manejen la implementación de los resultados de manera automática. En otros casos,
se instala un sistema interactivo de computadora llamado sistema de apoyo para las decisiones
para ayudar a la administración a usar los datos y modelos y así apoyar (no sustituir) su toma de
decisiones. Otro programa puede generar informes gerenciales (en lenguaje administrativo) que
interpreten la salida del modelo y sus implicaciones prácticas.
En estudios de IO importantes se pueden emplear varios meses (o más) para desarrollar, probar
e instalar este sistema de computadora. Parte de este esfuerzo incluye el desarrollo e implantación
de un proceso de mantenimiento durante su uso futuro. Si con el tiempo cambian las condiciones,
este proceso debe incorporar las modificaciones correspondientes al sistema de computadora y al
modelo.

Ejemplo. El Recuadro de aplicación de la sección 2.2 describió un estudio de IO que se elaboró

para Continental Airlines que condujo a la formulación de un enorme modelo matemático para
reasignar tripulaciones a los vuelos cuando ocurrían interrupciones en el itinerario. Como el mode-
lo debe aplicarse de inmediato cuando hay una interrupción, se desarrolló un sistema de soporte a
las decisiones llamado CrewSolver para incorporar tanto el modelo como una gigantesca memoria
de datos almacenados que representaban las operaciones actuales. El CrewSolver permite que un
coordinador de tripulaciones ingrese datos relacionados con la interrupción en el itinerario y des-
pués utilice una interfaz gráfica con el usuario para solicitar una solución inmediata y encontrar la
mejor manera de reasignar tripulaciones a los vuelos.

■ 2.6 IMPLEMENTACIÓN
Una vez desarrollado el sistema para aplicar el modelo, la última etapa de un estudio de IO es imple-
mentarlo según lo haya establecido la administración. Esta etapa es crítica, pues aquí y sólo aquí se
cosecharán los beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe para
asegurar que las soluciones del modelo se traduzcan con exactitud en un procedimiento operativo,
y para corregir defectos en la solución que se presenten en cualquier momento.
El éxito de la implementación depende en gran medida del apoyo que proporcionen tanto la
alta administración como la gerencia operativa. Es más probable que el equipo de IO obtenga este
apoyo si ha mantenido a la administración bien informada y ha fomentado la guía de ésta durante
el estudio. La buena comunicación ayuda a asegurar que el estudio logre lo que pretende y, por lo
tanto, merezca ponerse en práctica. También proporciona a la administración el sentimiento de que
el estudio es suyo y facilita el apoyo para su implementación.
La etapa de implementación incluye varios pasos. Primero, el equipo de IO explica en forma
cuidadosa a la administración operativa el nuevo sistema que debe adoptar y su relación con la
realidad operativa. A continuación, estos dos grupos comparten la responsabilidad de desarrollar
los procedimientos que se requieren para poner el sistema en operación. Después, la administración
operativa se encarga de proporcionar una capacitación detallada al personal que participa, y se
inicia el nuevo curso de acción. Si tiene éxito, el nuevo sistema se podrá emplear durante algunos
años. Con este objetivo en mente, el equipo de IO supervisa la experiencia inicial con base en la
acción que se tomó para identificar cualquier modificación que deba hacerse en el futuro.
Durante el periodo de uso del nuevo sistema, es importante continuar con la retroalimentación
acerca de su funcionamiento y si los supuestos todavía se cumplen. Cuando ocurren desviaciones
significativas de los supuestos originales, el modelo debe ser revisado para determinar si necesita
modificaciones. El análisis posóptimo que se realice (vea la sección 2.3) puede ser una guía útil en
este proceso de revisión.
 REFERENCIAS SELECCIONADAS 17

Durante la fase de culminación del estudio es apropiado que el equipo de investigación de

operaciones documente su metodología con suficiente claridad y detalle para que el trabajo pueda
reproducirse. La posibilidad de obtener una réplica debe ser parte del código ético profesional del
investigador de operaciones. Esta condición es en especial importante cuando se estudian políticas
gubernamentales controvertidas.

Ejemplo. Este ejemplo ilustra cómo, en ocasiones, una fase de implementación exitosa requiere
el involucramiento de miles de empleados antes de poner en marcha los nuevos procedimientos.
Samsung Electronics Corp. inició un importante estudio de IO en marzo de 1996 para desarrollar
nuevas metodologías y programar el calendario de aplicaciones que pudieran incrementar el nivel
de eficiencia de todo el proceso de manufactura de semiconductores y reducir el nivel de inventarios
de productos en proceso. El estudio continuó por más de cinco años y llegó a su fin en junio de 2001,
debido, de manera principal, al gran esfuerzo que requirió la etapa de implementación. El equipo
de IO debió obtener el apoyo de muchos integrantes de las áreas de administración, manufactura e
ingeniería; dicho apoyo lo obtuvo mediante la capacitación del personal en los principios y la lógica
de los nuevos procedimientos de manufactura. Al final del proceso, más de 3 000 personas habían
asistido a las sesiones de capacitación. Después, los nuevos procedimientos fueron incorporados de
manera gradual para construir confianza en ellos. Este paciente proceso de implementación pagó
grandes dividendos. Los nuevos procedimientos hicieron que la compañía se convirtiera de la ma-
nufacturera menos eficiente de la industria de los semiconductores en la más eficiente. Este logro
incrementó las ganancias en más de 1 000 millones de dólares en el momento en que se completó
el estudio de IO. (La referencia seleccionada A11 describe el estudio a detalle.)

■ 2.7 CONCLUSIONES
Aunque el resto de este libro se enfoca de manera fundamental en la construcción y solución de
modelos matemáticos, en este capítulo se intentó hacer hincapié en que esos elementos sólo son
una porción del proceso completo necesario para llevar a cabo un estudio de IO representativo.
Las otras etapas que se describieron son también muy importantes para el éxito del estudio. Se
pide al lector que en los capítulos subsecuentes no pierda de vista el papel que tienen el modelo y
el procedimiento de solución dentro del proceso completo. Después, cuando haya adquirido una
comprensión más profunda de los modelos matemáticos, se sugiere que planee regresar y revisar
este capítulo con el fin de profundizar en esta perspectiva.
La investigación de operaciones está ligada en forma íntima al empleo de computadoras. Hasta
hace poco se usaban de manera casi exclusiva computadoras grandes, pero cada vez es mayor el uso
de las computadoras personales y estaciones de trabajo para resolver modelos de IO.
Para concluir la presentación de las etapas más importantes de un estudio de IO, debe obser-
varse que existen muchas excepciones a las “reglas” prescritas en este capítulo. Por su naturaleza,
la investigación de operaciones requiere una gran dosis de ingenio e innovación, por lo que es
imposible prescribir un procedimiento estándar que los equipos de IO deban seguir siempre. En su
lugar, la descripción anterior debe verse como un modelo que representa, a grandes rasgos, cómo
llevar a cabo un estudio exitoso de investigación de operaciones.

■ REFERENCIAS SELECCIONADAS
1. Board, J., C. Sutcliffe y W. T. Ziemba: “Applying Operations Research Techniques to Financial Mar-
kets”, en Interfaces, 33(2): 12-24, marzo-abril, 2003.
2. Bradley P. S., U. M. Fayyad y O. L. Mangasarian, “Mathematical Programming for Data Mining: For-
mulations and Challenges”, en INFORMS Journal of Computing, 11(3): 217-238, verano de 1999.
3. Gass, S. I., “Decision-Aiding Models: Validation, Assessment, and Related Issues for Policy Analy-
sis”, en Operations Research, 31: 603-631, 1983.
4. Gass, S. I., “Model World: Danger, Beware the User as Modeler”, en Interfaces, 20(3): 60-64, mayo-
junio de 1990.
5. Hall, R. W., “What’s So Scientific about MS/OR?”, en Interfaces, 15(2): 40-45, marzo-abril de 1985.
6. Howard, R. A., “The Ethical OR/MS Professional”, en Interfaces, 31(6): 69-82, noviembre-diciembre
de 2001.
18 CAPÍTULO 2 PANORAMA DEL ENFOQUE DE MODELADO

7. Miser, H. J., “The Easy Chair: Observation and Experimentation”, en Interfaces, 19(5): 23-30, sep-
tiembre-octubre de 1989.
8. Morris, W. T., “On the Art of Modeling”, en Management Science, 13: B707-717, 1967.
9. Murphy, F. H., “The Occasional Observer: Some Simple Precepts for Project Success”, en Interfaces,
28(5): 25-28, septiembre-octubre de 1998.
10. Murphy, F. H., “ASP, The Art and Science of Practice: Elements of the Practice of Operations Research:
A Framework”, en Interfaces, 35(2): 154-163, marzo-abril de 2005.
11. Pidd, M., “Just Modeling Through: A Rough Guide to Modeling”, en Interfaces, 29(2): 118-132,
marzo-abril de 1999.
12. Williams, H. P., Model Building in Mathematical Programming, 4a. ed., Wiley, Nueva York, 1999.
13. Wright, P. D., M. J. Liberatore y R. L. Nydick, “A Survey of Operations Research Models and Appli-
cations in Homeland Security”, en Interfaces 36(6): 514-529, noviembre-diciembre de 2006.

Algunas aplicaciones ganadoras de premios con el enfoque

de modelado de IO
(En nuestro sitio web www. mhhe.com/hillier se proporciona un vínculo a todos estos artículos.)

A1. Alden, J. M., L. D. Burns, T. Costy, R. D. Hutton, C. A. Jackson, D. S. Kim, K. A. Kohls, J. H. Owen,
M. A. Turnquist y D. J. V. Veen, “General Motors Increase Its Production Throughput”, en Interfaces,
36(1): 6-25, enero-febrero de 2006.
A2. Altschuler, S., D. Batavia, J. Bennett, R. Labe, B. Liao, R. Nigam y J. Oh, “Pricing Analysis for
Merrill Lynch Integrated Choice”, en Interfaces, 32(1): 5-19, enero-febrero de 2002.
A3. Bixby, A., B. Downs y M. Self, “A Scheduling and Capable-to-Promise Application for Swift &
Company”, en Interfaces, 36(1): 69-86, enero-febrero de 2006.
A4. Braklow, J. W., W. W. Graham, S. M. Hassler, K. E. Peck y W. B. Powell, “Interactive Optimization
Improves Service and Performance for Yellow Freight System”, en Interfaces, 22(1): 147-172, enero-
febrero de 1992.
A5. Cohen, M., P. V. Kamesam, P. Kleindorfer, H. Lee y A. Tekerian, “Optimizer: IBM’s Multi-Echelon
Inventory System for Managing Service Logistics”, en Interfaces, 20(1): 65-82, enero-febrero de
1990.
A6. DeWitt, C. W., L. S. Lasdon, A. D. Waren, D. A. Brenner y S. A. Meelhem, “OMEGA: An Improved
Gasoline Blending System for Texaco”, en Interfaces, 19(1): 85-101, enero-febrero de 1990.
A7. Goeller, B. F. y el equipo de PAWN, “Planning the Netherlands’ Water Resources”, en Interfaces,
enero-febrero de 1985.
A8. Hicks, R., R. Madrid, C. Milligan, R. Pruneau, M. Kanaley, Y. Dumas, B. Lacroix, J. Desrosiers y F.
Soumis, “Bombardier Flexjet Significantly Improves Its Fracctional Aircraft Ownership Operatio-
ns”, en Interfaces, 35(1): 49-60, enero-febrero de 2005.
A9. Kaplan, E. H. y E. O’Keefe, “Let the Needles Do the Talking! Evaluating the New Haven Needle
Exchange”, en Interfaces, 23(1): 7-26, enero-febrero de 1993.
A10. Kok, T. de, F. Janssen, J. van Doremalen, E. van Wachem, M. Clerkx y W. Peeters, “Philips Electro-
nics Synchronizes Its Supply Chain to End the Bullwhip Effect”, en Interfaces, 35(1): 37-48, enero-
febrero de 2005.
A11. Leachman, R. C., J. Kang y V. Lin, “SLIM: Short Cycle Time and Low Inventory in Manufacturing
at Samsung Electronics”, en Interfaces, 32(1): 61-77, enero-febrero de 2002.
A12. Taylor, P. E. y S. J. Huxley, “A Break from Tradition for the San Francisco Police: Patrol Officer
Scheduling Using an Optimization-Based Decision Support System”, en Interfaces, 19(1): 4-24,
enero-febrero de 1989.

■ PROBLEMAS

2.1-1. El ejemplo de la sección 2-1 resume un estudio de IO ganador c) Explique el tipo de datos que el grupo de ciencia de la adminis-
de premios otorgados a Merrill Lynch. Lea la referencia seleccionada tración obtuvo de cada cliente.
A2 que describe este estudio a detalle. d) Identifique las opciones de nuevos precios que fueron propor-
a) Resuma los antecedentes que llevaron a emprender este estudio. cionadas a los clientes de la compañía como resultado de este
b) Cite el enunciado de una sola oración con la misión general del estudio.
grupo de IO (llamado el grupo de ciencia de la administración) e) ¿Cuál es el efecto resultante sobre la posición competitiva de
que realizó este estudio. Merrill Lynch?
 PROBLEMAS 19

2.1-2. Lea la referencia seleccionada A1 que describe un estudio de en ciencias naturales puede usarse para guiar la investigación
IO ganador de premios realizado para General Motors. sobre las operaciones (IO).
a) Resuma los antecedentes que llevaron a emprender este estudio.
2.3-1. Lea la referencia seleccionada A10 que describe un estudio de
b) ¿Cuál es la meta de este estudio?
IO realizado para Philips Electronics.
c) Describa cómo se utilizó el software para automatizar la recolec-
a) Resuma los antecedentes que llevaron a realizar este estudio.
ción de los datos necesarios.
b) ¿Cuál fue el propósito de este estudio?
d) ¿Cuánto generó en ahorros documentados y ganancias adiciona-
c) ¿Cuáles fueron los beneficios de desarrollar software para apoyar
les la mejora en la producción que resultó de este estudio?
la resolución más rápida de problemas?
2.1-3. Lea la referencia seleccionada A12 que describe un estudio de d) Enumere los cuatro pasos del proceso de colaboración y planea-
IO realizado para el Departamento de Policía de San Francisco. ción que resultó de este estudio.
a) Resuma los antecedentes que llevaron a emprender este estudio. e) Enumere los distintos beneficios financieros y no financieros que
b) Defina parte del problema a que se refieren las seis metas del resultaron de este estudio.
sistema de programación a desarrollar. 2.3-2. Lea la referencia seleccionada 5.
c) Describa cómo fueron recolectados los datos necesarios. a) Describa el punto de vista del autor sobre el hecho de que la única
d) Enumere los distintos beneficios tangibles e intangibles resulta- meta al usar un modelo debe ser encontrar su solución óptima.
do del estudio. b) Resuma el punto de vista del autor sobre los papeles comple-
2.1-4. Lea la referencia seleccionada A9 que describe un estudio de mentarios del modelado, la evaluación de la información que se
IO que se realizó para el Departamento de Salud de New Haven, obtiene y la aplicación del juicio del tomador de decisiones para
Connecticut. determinar un curso de acción.
a) Resuma los antecedentes que llevaron a emprender este estudio. 2.4-1. Consulte las páginas 18-20 de la referencia seleccionada A7
b) Describa el sistema que se desarrolló para rastrear y probar cada que describe un estudio de IO realizado para el Rijkswaterstaat de
aguja y cada jeringa con el fin de reunir los datos necesarios. Holanda. Describa una lección importante aprendida con la valida-
c) Resuma los resultados iniciales de este sistema de rastreo y prue- ción del modelo en este estudio.
bas.
d) Describa el efecto real y potencial de este estudio en las políticas 2.4-2. Lea la referencia seleccionada 7. Resuma el punto de vista
gubernamentales. del autor sobre el papel de la observación y la experimentación en el
proceso de validación del modelo.
2.2-1. Lea el artículo al que se hace referencia en el Recuadro de
aplicación de la sección 2.2, el cual describe por completo el estudio 2.4-3. Lea las páginas 603-617 de la referencia seleccionada 3.
de IO que se resume en dicho recuadro. Enumere los diferentes bene- a) ¿Qué dice el autor sobre el hecho de que un modelo se puede
ficios financieros y no financieros que resultaron de este estudio. validar por completo?
b) Resuma la diferencia entre validación del modelo, de los datos,
2.2-2. Lea la referencia seleccionada A3 que describe un estudio de validación lógica/matemática, predictiva, operativa y dinámica.
IO realizado para Swift & Company. c) Describa el papel del análisis de sensibilidad en la validación
a) Resuma los antecedentes que llevaron a emprender este estudio. operativa de un modelo.
b) Describa el propósito de cada uno de los tres tipos generales de d) ¿Qué dice el autor sobre la existencia de una metodología de
modelos que se formularon durante este estudio. validación adecuada para todos los modelos?
c) ¿Cuántos modelos específicos utiliza en la actualidad la compa- e) Cite la página del artículo que enumera los pasos básicos de la
ñía como resultado de este estudio? validación.
d) Enumere los distintos beneficios financieros y no financieros que
resultaron de este estudio. 2.5-1. Lea la referencia seleccionada A6 que describe un estudio de
IO que se realizó para Texaco.
2.2-3. Lea la referencia seleccionada A7 que describe un estudio de a) Resuma los antecedentes que llevaron a emprender este estudio.
IO que se realizó para el Rijkswaterstaat de Holanda. (Preste especial b) Describa brevemente la interfaz del usuario con el sistema de
atención en las páginas 3-20 y 30-32.) apoyo a las decisiones OMEGA que se desarrolló como resulta-
a) Resuma los antecedentes que llevaron a emprender este estudio. do de este estudio.
b) Resuma el objetivo de cada uno de los cinco modelos matemáti- c) OMEGA se actualiza y amplía en forma constante para reflejar
cos que se describen en las páginas 10-18. los cambios en el ambiente de las operaciones. Describa los dis-
c) Resuma las “medidas de efecto” (medidas de desempeño) para tintos tipos de cambios realizados.
comparar las políticas que se describen en las páginas 6-7 de este d) Resuma cómo se usa el sistema OMEGA.
artículo. e) Enumere los distintos beneficios tangibles e intangibles que re-
d) Enumere los distintos beneficios tangibles e intangibles que re- sultaron de este estudio.
sultaron de este estudio.
2.5-2. Consulte la referencia seleccionada A4 que describe un estu-
2.2-4. Lea la referencia seleccionada 5. dio de IO que se realizó para la Yellow Freight System, Inc.
a) Identifique el ejemplo del autor sobre un modelo de las ciencias a) Con base en lo expuesto en las páginas 147-149 de este artículo,
naturales y uno de IO. resuma los antecedentes que llevaron a emprender este estudio.
b) Describa el punto de vista del autor sobre la manera en que los b) De acuerdo con lo que se explicó en la página 150, describa en
principios básicos del uso de modelos para realizar investigación forma breve el sistema de computadora SYSNET que se desarro-
20 CAPÍTULO 2 PANORAMA DEL ENFOQUE DE MODELADO

lló como resultado de este estudio. También dé un resumen de las c) Presente una descripción breve de las pruebas anteriores a la im-
aplicaciones de SYSNET. plementación de Optimizer.
c) Según lo expuesto en las páginas 162-163, describa por qué eran d) Describa en forma breve las pruebas de implementación en el
importantes los aspectos interactivos de SYSNET. campo de trabajo.
d) Con base en lo que se explicó en la página 163, resuma la salida e) Describa de manera sucinta el proceso de implementación a nivel
de SYSNET. nacional.
e) De acuerdo con lo que se expone en las páginas 168-172, resuma f) Enumere los distintos beneficios tangibles e intangibles que re-
los distintos beneficios que ha generado el uso de SYSNET. sultaron de este estudio.
2.6-1. Consulte las páginas 163-167 de la referencia seleccionada 2.7-1. De la última parte de las referencias seleccionadas que se pre-
A4 que describe el estudio de IO que se realizó para la Yellow Freight sentan al final del capítulo, seleccione una de las aplicaciones gana-
System, Inc. y el sistema de computadora SYSNET que se desarrolló doras de premios del enfoque de modelado de IO (sin considerar las
como consecuencia de él. asignadas para otros problemas). Lea el artículo y escriba un resumen
a) Describa de modo breve la forma en que el equipo de IO logró de dos páginas de la aplicación y los beneficios que proporcionó (in-
el apoyo de la alta administración para la implantación de SYS- cluya los beneficios no financieros).
NET.
b) Describa de forma breve la estrategia de implementación desa- 2.7-2. De la última parte de las referencias seleccionadas que se
rrollada. presentan al final del capítulo, seleccione tres de las aplicaciones
c) Describa de manera somera la implementación en el campo de ganadoras de premios del enfoque de modelado de IO (sin considerar
trabajo. las asignadas para otros problemas). Lea cada uno de los artículos y
d) Describa de modo sucinto cómo se usaron los incentivos y la escriba un resumen de una página de la aplicación y los beneficios
vigilancia de la administración para implementar SYSNET. que proporcionó (incluya los beneficios no financieros).

2.6-2. Lea la referencia seleccionada A5 que describe un estudio de 2.7-3. Lea la referencia seleccionada 4. El autor describe 13 etapas
IO que se realizó para IBM y el sistema Optimizer que resultó de él. detalladas de cualquier estudio que desarrolla y aplica un modelo ba-
a) Resuma los antecedentes que llevaron a emprender este estudio. sado en computadora, mientras que este capítulo describe seis etapas
b) Enumere los factores de complicación a los que se enfrentaron más amplias. Establezca una relación entre los dos niveles al enume-
los integrantes del equipo de IO al inicio del desarrollo de un rar las etapas detalladas que caen, parcial o primordialmente, dentro
modelo y un algoritmo de solución. de cada etapa más amplia.