CAPÍTULO

Introducción a los
modelos
v a la ciencia de la
administración

CA/10 ~.
GLOSAFllO
BIBLIOGRAFÍA
2 Capítulo 1 • Introducción a los modelos y a la ciencia de la administración

INTRODUCCIÓN
En los últimos diez años, la práctica de la administración se ha visto muy afectada por
la ciencia de la administración y la tecnología de computadoras. Considere, por ejemplo,
lo siguiente:'
· 1. El Departamento de Control de Vuelos y de Administración de [Link] Aéroli­
neasNacionales utiliza un modelo de administración y asignación de combustibles que,
en un periodo de cuatro años, ha dado como resultado ahorros multimillonarios. El
modelo especifica cuál es la mejor estación para reabastecimiento de combustible y
cuál es el mejor proveedor para cada vuelo, con base en precios, disponibilidad, consu­
mo, datos de vuelos y costos de almacenamiento. El modelo utiliza también muchas
técnicas de análisis de sensibilidad para señalar a los administradores cuándo es posible
que se requiera una nueva política.
2. Cahill May Roberts, una compañía farmacéutica grande (con más de $35 millones de
ventas anuales), usa un sistema de planeacion. de recursos e instalaciones que ha permiti­
do ahorros en costos de entrega y transporte de 23.3% y 20%, respectivamente, y ha
aumentado los niveles de servicio a clientes en 60%. Se utiliza el sistema de planeacioti
para evaluar estrategias alternativas de administración ante costos que fluctúan y movi­
mientos de población. Aparte de definir territorios únicos para los centros de distribu­
ción de la compañía y programas optimas de servicio al cliente dentro de esos territorios,
puede utilizarse el sistema para evaluar ubicaciones alternativas para los centros de dis­
tribución bajo la doble incertidumbre de los costos y la demanda.
3. El personal encargado de la planeacián del condado Du Page en Wheaton, Illinois,
in/orma acerca de la utilización de un modelo de planeacián de uso del suelo para prepa­
1Estos casos son aplicaciones reales que se mencionaron en Interfaces, Vol. 9, No. 2, Pt. 2, febrero
de 1979. Caso 1: "Fue! Management and Allocation Model", D. Wayne Darnell y Carolyn Loffin, pp. 64-65;
Caso 2: "A Planning System for Facilities and Resources in Distribution Networks", H. Harrison, pp, 6-22:; Caso
3: "Development of a Comprehensive Land Use Plan by Means of a Multiple Objectlve Mathematícal Pro-
gramming Model", Deepak Bammi y Dalip Bammi, pp. 5°"'63.
 Evólución [Link] ciencia de la administr;aoión 3

rár un plan exhaustivo para­uso del suelo, en el que se consideran [Link] ~imuttiínea
diversos objetivos y que también sptísfaga restricciones sobrelos patrones deseados
de crecimiento. El plan de uso del suelo recomendado por el modeta Jia dado como
resultado una reducción del 50% en el uso de terrenos de costo elevado que se requieren
de acuerdo con otros planes alternativos de uso del suela. El modelo minimiza el conflic­
to entre los usos desuelas adyacentes, minimizdeltiempa de tras/alto, asicomo también
los costos fiscales, los impactos negativos sobre el medio ambiente y el costo de las
instalaciones comunitarias. También puede utilizarse este modelo para evaluar el impac­
to del crecimiento de la población y de cambios en los niveles de empleó.

Estos casos son sólo unos cuantos de los muchos posibles que ilustran el impacto
que la ciencia de la administración. puede tener y ha tenido sobre­ la administración y
sobre la toma de decisiones. Definida en términos amplios, la ciencia de la administración
es la aplicación de procedimientos, técnicas y herramientas­ científicos a problemas ope­
rativos, con el objeto de desarrollar y ayudar a evaluar soluciones. Como disciplina,
la ciencia de la administración incluye todos los enfoques racionales que se aplican en la
toma de decisiones en administración y que se basan en la aplicación de una metodologia
científica.
La ciencia de la administración se basa er. la filosofía de que una gran parte de
lu toma de decisiones consiste en (1) identificar y analizar problemas cuantifteabtes, (2)
comprender las relaciones entre los factores interrelacionados y (3) aislar los factores
sobre los cuales tiene el control quien toma las decisiones. El objetivo de la ciencia de
la administración es proporcionar procesos y procedimientos que ayuden a resolver pro­
blemas.
Dado que la ciencia de la administración es un tema muy amplio, se restringirá
la atención a sus principales aspectos para que pueda lograrse una comprensión global
de los conceptos generales. En este texto, se presentan fundamentos teóricos de las herra­
. mientas de la ciencia de la administración; sin embargo, se pone énf asís en el plantea-
miento del problema, la interpretación del resultado del modelo (algoritmo) y en e/implante.
En este capítulo se presentan los principales desarrollos de la ciencia de la adminis­
tración y su estructura. En específico, en este capítulo se examina: (l) la evolución de
la ciencia de la administración, (2) el papel de la construcción de modelos, (3) el proceso
de resolución de problemas y, por último, (4) la computación y las ciencias de la adminis-
tración. Es evidente que existen factores históricos que desempeñan un papel en el de·
sarro/lo de cualquier campo; esto es cierto también para la ciencia de la administración.
Sin embargo el objetivo principal del capítulo no es el desarrollo histórico en sí, sino,
más bien, permitir al lector una comprensión básica de cómo es que ha evolucionado
esta área. El material más importante de este capítulo se incluye en las últimas seceiones.

EVOLUCIÓN DE LA CIENCIA DE LA ADMINISTRACIÓN

"Ciencia de la administración" sigue siendo un término nuevo para muchas personas,

aun cuando el área tuvo sus comienzos durante la Segunda Guerra Mundial ~ la primera
edición de la revista titulada Manqgement Scienee se publicó en octubre de 1954.
Durante Iaprimera parte del siglo XX, los investigadores comenzaron a utilizar -
proc-ec,timientos científicos para investigar problemas 'que se en~!)il!raban fuera ·él
ciencias puras; pero no· fue sine hasta coinienzos de la Segunda [Link]¡ij•· _
 "'"''""
4 Capitulo 1 • Introducción a los modelos y a la ciencia de la administración

esos esfuerzos se unificaron par:a perseguir un objetivo común.'En 1937, en Gran Breta-
-. ña, se reunió a un equipo de matemáticos, ingenieros y científicos en áreas básicas para
estudiar los problemas estratégicos y tácticos asociados con la defensa del país. El objeti-
vo del equipo era determinar la forma más efectiva de utilizar recursos militares limita-
dos. Las actividades de este grupo, que se organizó como parte del Personal Operativa
de la organización militar británica, no se denominaron ciencia de la administración,
investigación sino más bien investigación de operaciones, debido a que el equipo se dedicaba a analizar
de operaciones (militares).
operaciones
Los éxitos de los equipos de investigación de operaciones británicos en muchos de
sus esfuerzos de investigación motivaron a los Estados Unidos de Norteamérica a em-
prender actividades similares. Algunas actividades exitosas de estos equipos en Estados
Unidos incluyeron el estudio de problemas logísticos complejos, el desarrollo de patrones
de vuelo para aviones, la planeación de maniobras navales y la utilización efectiva de
recursos militares.
Después de la guerra, muchas de las personas asociadas con la investigación de
operaciones durante el conflicto bélico se dieron cuenta de que muchos de los métodos
y técnicas que se aplicaron a los problemas militares podían aplicarse a problemas indus-
triales. Sin embargo, estos conceptos e ideas comenzaron a aplicarse a Ja industria hasta
la década de 1950, cuando se desarrollaron y estuvieron disponibles comercialmente la
computadoras. Al principio, muchos de los problemas industriales que se estudiaron,
como el control de inventarios y los sistemas de transporte, eran semejantes a problemas
militares. Pero, en la actualidad, es fácil encontrar numerosos casos en los que los con-
ceptos de investigación de operaciones/ciencia de Ja administración se han aplicado a
compras, mercadotecnia, contabilidad, planeación financiera y otras áreas.
Aunque Grán Bretaña tiene el crédito del inicio de la investigación de operaciones
como disciplina, los investigadores de los Estados Unidos de Norteamérica han hecho
contribuciones importantes .a su desarrollo. Una de las técnicas matemáticas de más
amplia aceptación, el método símplex de la programación lineal, fue desarrollado en
1947 por un estadounidense, George B. Dantzig. Esta técnica en particular ha tenido
amplias aplicaciones a muchos problemas operativos y es la base para muchas otras
técnicas matemáticas, como la programación de metas y la programación entera.
En Gran Bretaña se utilizaron los términos investigación de operaciones e investiga­
ción operacional para describir desarrollos en esta área. En Estados Unidos se han usado
en forma tradicional los términos investigación de operaciones (IO) y ciencia de la admi­
The nistracion(CA). El término ciencia de la administración recibió un estímulo inicial con
lnstitute of el establecimiento de Tbe Institute of Management Sciences (TIMS) en 1953.2
M~nagement Aunque numerosas aplicaciones de' la ciencia de la administración ocurrieron en
~:J¡e¡:,~s los años de 1950, no fue sino hasta principios de la década de 1960 que se establecieron
programas académicos que ponían énfasis en esta área, y hasta mediados de esta misma
década comenzaron a salir de las universidades las primeras personas con una capacita-
ción formal. En consecuencia, los grupos de asesoría formales de investigación de opera-
cíones/ciencía de la administración no comenzaron a aparecer en las organizaciones in ...
dustriales y en las operaciones gubernamentales sino hasta finales de la década de 1960.
Sin embargo, el desarrollo de grupos formales de asesoría en CA/10 no condujo
a una utilización exitosa de las técnicas. Por el contrario, muchos especialistas en ciencia

2Se han hecho numerosos intentos de diferenciar CA e 10, pero es dificil hacer una distinción clara. En este
texto, utilizaremos ambos términos en forma indistinta.
 de la administración fueron acusados de estar más interesados en manipular problemas
para que se ajustaran a las técnicas que en trabajar con los administradores para analizar
problemas, desarrollar métodos apropiados de solución y desarrollar e implantar siste-
mas funcionales para producir las soluciones definidas. En retrospectiva, durante el cre-
cimiento de los programas académicos en ciencia de la administración se concentró la
atención en el desarrollo de técnicas y herramientas en vez de hacerlo en las aplicaciones
y estrategias para implantar esas técnicas. Y, aunque los conocimientos avanzaron en
áreas asociadas con técnicas y modelos matemáticos, la CA/IO experimentó un éxito
limitado con la aplicación de las técnicas en sus años de formación.
Ahora la ciencia de la administración ya ha madurado y una gran cantidad de los
problemas de implante que aparecieron a finales de la década de 1960 y principios de
la de 1970 se han superado, gracias a los progresos de la tecnología de computadoras
y a cambios en los currícula académicos. Un mejor desarrollo de técnicas y modelos,
énfasis en el implante y la aplicación, y la disponibilidad de computadoras, han ampliado
en gran medida el alcance y. la magnitud de los problemas que resulta posible analizar.
El desarrollo de sistemas computadorizados de tiempo compartido ha ayudado al área
de implante al permitir que quienes toman las decisiones interactúen en forma directa
con los modelos de la ciencia de la administración. Como resultado, esto ha disminuido
la necesidad de que un experto en ciencia de la administración actúe como intermediario -
entre el administrador y el modelo, y ha permitido que el administrador explore pregun-
tas hipotéticas con el objeto de comprender y apreciar mejor el potencial del modelo.
Los sistemas de tiempo compartido también han puesto el poder de las computadoras
grandes a disposición de un gran número de empresas, ampliando de esta manera la
aplicación potencial de las técnicas de la ciencia de la administración.
Es posible apreciar de alguna manera el alcance y la capacidad de la CA/IO, así
como también algunas de sus limitaciones, examinando al mismo tiempo aplicaciones
exitosas y fallidas. Sin embargo, para apreciar en forma completa los diferentes aspectos
de la CA/10, es necesario comprender primero los fundamentos de las técnicas y después
determinar cómo utilizarlas o no en diversas circunstancias. Pero antes de examinar
algunas de las técnicas, resulta conveniente comprender mejor los conceptos generales
de planteamiento y desarrollo de modelos, y la forma en que se relacionan con el área de
la ciencia de la administración.

CONSTRUCCIÓN DE MODELOS Y CIENCIA DE LA ADMINISTRACIÓN

Ya sea que se trate del sector privado o del público, una de las principales funciones
de un administrador es resolver problemas; es decir, los administradores son quienes
deben resolver los problemas. Ya sea que se dé cuenta de ello o no, el administrador
aborda la tarea de resolver problemas principalmente a través de la construcción de mo-
delos, o planteamiento de modelos. La construcción de modelos es un medio que permite
a los administradores analizar y estudiar problemas, así como también examinar diferen-
tes alternativas.
La construcción de modelos no es una idea nueva; el proceso se utiliza todos los
días, con frecuencia en forma inconsciente, en situaciones de problemas básicos. Consi-
dere el problema de una anfitriona que desea redistribuir los muebles de la sala de su
casa. El objetivo es tener una disposición apropiada que resulte atractiva pero también
 funcional para el grupo de bridge que se reunirá en la noche. Una forma de abordar
el problema consiste en visualizar diferentes disposiciones de los muebles y evaluar cada
modelo alternativa; es decir, la anfitriona puede utilizar un modelo mental del problema. Un
mental segundo método consistiría en que la afitriona pidiera a su esposo que moviera los mue-
bles en la sala hasta que encontrara una forma de acomodarlos que le agradara. Es proba-
bJe que este método fuera más apropiado por diversas razones: el modelo mental simple-
mente no permite suficientes manipulaciones, existen demasiados elementos que deben
tenerse presentes, o tal vez la anfitriona no sea capaz de visualizar la apariencia de cada
una de las diferentes disposiciones. Se podría avanzar más hacia un enfoque de ciencia
de la administración al problema desarrollando un modelo a escala del cuarto y exami-
nando diferentes disposiciones. Este último método puede utilizarse sólo [Link] anfitriona
acepta que el modelo a escala es una representación válida del problema.
Considere ahora el problema que enfrenta un administrador a cargo del diseño de
una planta en una empresa manufacturera importante. De la misma manera que en
el caso del problema de la disposición de los muebles, es difícil resolver mentalmente el
problema de la disposición de la planta: la imagen que el administrador tiene de la planta
es demasiado vaga, existen demasiadas restricciones acerca de dónde deben ubicarse
ciertos equipos y piezas, etc. Hay una diferencia entre los dos problemas. El gerente
de planta no puede permitirse resolver el problema haciendo qué un grupo de empleados
ensayen cuatro o cinco disposiciones diferentes, haciendo una corrida de producción
en cada una de ellas y observando laforma en que funcionan. Sin embargo, el administra-
modelo dor podría basarse en un modelo a escala, tal como .se sugirió para el problema de la
a escala anfitriona. El administrador tiene también la opción de utilizar un modelo matemático,
en particular si sabe que existe un modelo general de diseño de plantas (CRAFT).3 Es
probable que abordar el problema del administrador a través de un modelo matemático
resulte un medió más económico para evaluar diferentes alternativas.
Es evidente que la construcción de modelos ha existido durante muchos años, en
modelos particular en la forma de modelos mentales y modelos a escala, pero los modelos mate-
matemdticos máticos son relativamente nuevos, en. particular en relación con la toma ge decisiones
en la administración. La mayoría de. los análisis de ciencia de la administración se llevan
a cabo utilizando modelos matemátíeos. Esos modelos se elaboran usando símbolos ma-
temáticos para representar los diferentes comp:onentes del problema.
No todos los modelos matemáticos son complejos. Por ejemplo, puede elaborarse
un modelo matemático para determinar cuál es el pago que un vendedor recibe por una
comisión de $20 por cada venta. En forma más específica, supóngase que se tienen los
siguientes datos para describir la relación entre la comisión del vendedor y el número
de ventas.

Número de ventas o 2 3 4 s ...

dólares de ingresos por comisión o 20 40 60 80 100 ...

En vez de utilizar la tabla como un modelo descriptivo del problema, es posible elaborar
un modelo matemático más simbólico al desarrollar una relación funciona/ entre el nú-
mero de ventas y los ingresos por comisión. SÍ utilizamos X para representar el número
 de ventas, cualesquiera que sean, y y para representar Ja cantidad de ingresos en dólares,
entonces la función matemática entre las ventas y los ingresos se expresa:

y= 20x ( 1.1)

Esta relación funcional puede visualizarse mentalmente pensando que representa

una operación de procesamiento, demanera muy semejante a la forma en que visualiza-
ríamos una operación de procesamiento de datos. Puede pensarse que los diversos valo-
res dé x (0, 1, 2, 3, ... ) son entradas, y los correspondientes valores de y (O, 20, 40, 60,
... ) salidas o resultados. A entradas y resultados se les denomina por lo general variables.
Una variable es sólo [Link]ón de algo que puede asumir diversos valores numé-
ricos.
Utilizando la terminología matemática convencional, Ja variable de entrada se de-
nomina variable independiente y fa variable de salida es la variable dependiente. Por
ello, en la ecuación (1.1) x es Ja variable independiente y y es la dependiente. El valor
numérico 20 se denomina de diversas formas: constante, coeficiente y parámetro. Si,
en la relación funcional, se designara la cantidad que se paga por ventas como ''a dólares
por venta" en vez de "$20 por venta", la función se expresaría:

y= ax (1.2)

en donde se dice que a. es el parámetro del modelo.

En el planteamiento de modelos matemáticos en ocasiones resulta útil expresar Ja
relación funcional en términos generales. En nuestro modelo específico, si decimos que
y es una función no especificada del número de ventas x, entonces Ja representación
simbólica se expresa:

y= f(x) ( 1.3)

Esta notación no significa que y sea iguala f multiplicada por x. Más bien indica que
la variable y tiene un valor numérico determinado por una función (o una "regla de
procesamiento") f ypor el valor numérico de la variable x.
Es evidente que la elaboración de modelos en la ciencia de la administración implica
algo más que el des~rrollo de relaciones abstractas o funcionales entre variables. En
la siguiente subsección contemplaremos diferentes modelos que se utilizan en la ciencia
de la administración y en los procesos de solución que se aplican para identificar solucio-
nes a estos modelos.

LOS MODELOS r.,ATEMÁTICOS Y LA CIENCIA DE LA ADMINISTRACIÓN

Modelos normativos comparados con modelos descriptivos

Dentro de los modelos matemáticos existen dos clases principales: Jos modelos descríptí-
vos y los modelos normativos. Un modelo descriptivo es el que representa una relación
pero que no indica ningún curso dé acción. Un modelo normativo, que en ocasiones
se denomina modelo de optimización, es prescriptivo porque señala el curso de aeción
 que el administrador (quien toma las decisiones) debe seguir para alcanzar un objetivo
definido. Los modelos descriptivos son útiles para pronosticar la conducta d" · "'i'l'I
pero 110 pueden identificar el "mejor" curso de acción que debe tornarse El Wto~
que se desarrolló en el ejemplo de la comisión por ventas [ecuación (l. 1)} podría denomi-
narse modelo descriptivo. Describe, o puede utilizarse para pronosticar, la comisión
por ventas, si se especifica el número de éstas. Muchos modelos estadísticos son descripti-
vos. Por ejemplo, un modelo de regresión señala la relación entre una variable depe.r-
diente y una o más variables independientes. Los modelos de líneas de espera que se
analizan en el capítulo 13 son. descriptivos ya que permiten a quien toma las decisiones
pronosticar diversas característícas de situaciones de líneas. de espera, suponiendo que
se tienen ciertos datos sobre las variables independientes.
Un modelo normativo puede contener submódelos descriptivos, pero difiere del
modelo descriptivo porque es posible determinar un curso de acción óptimo o mejor.
Esto implica que se incorpora un objetivo al modelo y que es posible identificar los
efectos que diferentes cursos de acción tienen sobre el objetivo. Puesto que muchos mo-
delos de ciencia de la administración caen bajo la clasificación de modelos normativos,
resulta apropiado identificar las características claves de estos modelos. La mayoría de
los modelos normativos están constituidos por tres conjuntos básicos de elementos: (1)
variables­de decisión y parámetros, (2) restricciones; y (3) una o más funciones objetivo.'

l. Variables de decisión y parámetros. Las cantidades desconocidas que deben determi-

variable narse en la solución del modelo son las variables de decisión. Un ejemplo de variable
de deeision de decisión sería la cantidad de un determinado producto que debe elaborarse en una
operación de producción en la que podrían fabricarse diversos productos a partir del
mismo recurso básico. Los parámetros son los valores que describen la relación entre
las variables de decisión. Los parámetros permanecen constantes para cada problema,
pero varían con problemas distintos. Un ejemplo serían las horas de mano de obra que
serequieren para fabricar una unidad de un producto determinado.

2. Restricciones. Para incluir las limitaciones físicas que ocurren en el problema cuyo
modelo se plantea, dicho modelo debe incluir cualesquiera restricciones que limiten las
restricciones variables a valores permisibles (factibles). Por lo general, las restrícéíones se expresan
como funciones matemáticas (submodelos descriptivos). Por [Link] suponemos que
X1 y X2 (variables de decisión) representan el número de unidades de dos productos que se
está considerando fabricar y a1 y a2 (parámetros) son los respectivos requerimientos
unitarios de materias primas para fabricar los productos, y si se señala que la cantidad
total disponible de materia prima es b, la función correspondiente de restricción podría
expresarse como a1x1 + ªi"z s b,
~ . .

función 3. Función objetivB,1 La función objetivo define la efectividad del modeló como función
objetivo de las variables de dt!cisión. Porejemplo, si el objetivo es maximizar las utilidades totales;
entonces la función objetivo debe deseribír éstas en térmínes de las [Link] decisión,
En forma matemática, la función Z = 4.X1 + 5x2 describe las utilidades en término
de las variables de decisión, suponiendo que se sabe que se obtiene una utilidad de $4.00
por cada x1 y $5 .00 por cada xi- En general, se obtiene la solución óptima del modelo

~Hamdy A. Taha, OperatlonsResearch:AnInttoduction (New York: Macmillan), p. 7.

 Los medelos [TlátemátiGOS y la Gienoia: S_e la administración ~

"?re ; :. ,cµandolos [Link] variables cledecis.ión,cu:rqjan el [Link] la función objeti-

. · v~1íll mismo tiempo que se. satisfacen todas las restricciones. ·
Es posible explicar con mayor detalle la relación entre les modeles descriptivos y
los normativos utilizando un ejemplo específico. Suponga que se tiene un proceso de
producción en el que pueden fabricarse tres productos. distintos. El único recurso limita-
do para esa. operación es Ja mano de obra; existen disponibles 400 horas-hombre de
mano de obra por semana. De experiencias pasadas, se sabe que el producto No. 1 requie-
re 8 horas de mano de obra por unidad fabricada y el producto No .. 2 requiere 4 horas
por unidad, y de la misma manera, el producto No. 3 requiere 2 horas por unidad. Si
se supone por un momento que existe una cantidad ilimitada de mano de obra, si utiliza-
mos x1 para representar el número de unidades del producto No. 1 que se fabricarán,
x2 para representar el número de unidades del producto No. 2 y X3 el número de unida-
des del producto No. 3, entonces la expresión siguiente sería un. modelo descriptivo de
los requerimientos totales de mano de obra:

( 1.4)

Pero ya sabemos que sólo hay disponibles 400 horas-hombre de mano de obra; por tanto,
la relación funcional en realidad es,

(1.5)

Buede hacerse alguna afirmació[Link] del problema con cualquiersmodelq; sin embaí'.
go; ep. éste -punto no hay manera de determinar cuáles eLmej{i)J: cütso de a~cfón. En ·
el primer caso, ecuación (1.4), si se consideran ciertos val<;>Fes de x1;·x2 y x3, entonces
~s posible pronosticar [Link] de mano de obra que se requiere. En el segundo caso,
ecuación (1.5).,ées fácil calcular el número máximo de unidades de caga producto que
podrían fabricarse (50, lOQ, 200), suponiendo que no se fabrica ninguna unidad de los
otros dos productos.
Suponga que además de los datos iniciales que se proporcionan, se señala que el
producto No .. l contribuye con $12 por unidad a las utilidades, el producto No. 2 contri-
buye con $10 por unidad y-el producto No. 3 contribuye con,$8 por unidad. A partir
de estos datos, puede desarrollarse un modelo descriptivo para las utilidades totales,
Z; esto se expresa de la siguiente manera:

(1.6)

Al igual que en el caso del modelo (1.4), puede emplearse estemodelo para pronosti-
car las utilidades sólo si se proporcionan ciertos valores de x1, x2 y x~. Pero si se combi-
nan los modelos (1.5) y (1.6), y se supone que el objetive es maximizar las utilidades,
entonces se tiene. un modelo normativo. El modei seria:

Z = 12x1 + 10x2 + 8x3

(1.7)
8x1 + 4x2 + 2x3 s 400
 fO Capítulo 1 • lntroducción a los modelos y a la ciencia de la administración

analizará este punto con detalle; sin embargo, antes de pasar a ese material, es necesario
realizar algunos comentarios adicionales acerca de los modelos matemáticos y la ciencia
de la administración .

. Clasificación de los modelos

Además de la clasificación de modelos descriptivos y normativos que se analizó antes,

con frecuencia se mencionan otras clasificaciones de los modelos en la literatura referente
a la ciencia de la administración: modelos determinísticos y estocásticos, lineales y no
lineales, estáticos y dinámicos y, por último, modelos de simulación. Podría argumentar-
se que estas son clasificaciones distintas de los modelos. Pero, en realidad, son subclasifi-
caciones de los modelos descriptivos y normativos, y puede clasificarse un modelo especí-
fico aplicándole uno a varios de estos términos. Un examen de cada uno de estos términos
aclarará este punto.
modelo En un modelo determinístico, las relaciones funcionales, es decir, los parámetros
determinis- del modelo, se conocen con certidumbre. El modelo (1.6) podría denominarse modelo
tico determinístico porque los parámetros (los coeficientes de contribución: $12, $10 y $8)
se conocen con certidumbre: De la misma manera, el modelo (1.5) podría denominarse
modelo determinístico.
Si en el modelo (1.5) no conociéramos con seguridad que se requieren 8 horas de
mano de obra para fabricar una unidad del producto No. 1 (por ejemplo, suponiendo
. que existe una probabilidad 0.60 de que se requieran 10 horas de mano de obra), entonces
modelo elaboraríamos un modelo estocástico para incorporar la incertidumbre. Un modelo esto-
estocástico cástico puede tener algunas relaciones funcionales que sean determinísticas y estocásticas
o todas pueden ser estocásticas. Pueden obtenerse soluciones para esos modelos si se estruc-
turan en forma de un modelo normativo, que proporcionen los mejores resultados espe­
rados; es decir, se optimiza la función objetivo para obtener los resultados esperados
máximos o mínimos.
Otra subclasificación de los modelos es la de modelos lineales o no lineales. Un
modelo modelo lineal es en el que todas las relaciones funcionales implican que la variable depen-
lineal diente es proporcional a las variables indenendientes. (El concepto de linealidad se ana-
modelo no lizará con cierta profundidad en el capítulo 2.) Por otra parte, los modelos no lineales
lineal utilizan ecuaciones curvilíneas o no proporcionales. Al igual que en el caso de los modelos
estocásticos, no es necesario que todas las relaciones funcionales del modelo sean no
lineales para clasificarlo como no lineal. Si una o más de las relaciones son no lineales,
se clasifica al modelo dentro de esta categoría. Los procesos de solución (algoritmos)
que se requieren para resolver los modelos no lineales son mucho más complejos que
los necesarios para un modelo lineal. En este texto se hace énfasis en el uso de los modelos
lineales en la toma de decisiones en la administración.
Una tercera subclasificación de los modelos es en modelos estáticos y modelos diná-
mode/o micos. Los modelos estáticos se definen en un punto fijo del tiempo y se supone que
estático las condiciones del modelo no cambian para ese periodo específico en el proceso de solu-
ción del modelo. Se determina una decisión óptima o curso de acción óptimo sir: hacer
modelo referencia al curso de acción que se toma en periodos previos o futuros. Un modelo
dinámico dinámico difiere de uno estático en que el curso de acción mejor u óptimo se determina
examinando periodos múltiples. Los modelos dinámicos se utilizan en situaciones en
las que no puede determinarse el curso óptimo de acción para un número múltiple de
 Los modelos matemáticos y la ciencia de la administración 11

periodos sin considerar en forma colectiva las acciones que se emprenden en cada perio-
do. En el capítulo 10 se analizan los modelos dinámicos, sus características y un proceso
de solución para determinar las acciones óptimas para estos modelos.
La subclasificación final de los modelos que se menciona es la simulación. La simu-
lación es un proceso de planteamiento de modelos y experimentación que se utiliza para
describir y1 o analizar un problema o un área de problemas específicos. Se utiliza el térmi-
no ''proceso de planteamiento de modelos y experimentación'', porque la simulación
puede utilizarse para ambos propósitos. A partir de los datos y las características descrip-·
tivas del problema de producción que se mencionó antes fue posible plantear un modelo
normativo, es decir, el modelo (1.7). Sin embargo, es frecuente que la complejidad o
la naturaleza de un problema hagan imposible desarrollar un planteamiento matemático
que se ajuste en forma adecuada a dicho problema. Bajo esas circunstancias, tal vez
sea posible simular el problema con el objeto de analizar diferentes cursos de acción,
Debido a que los modelos de simulación no requieren funciones matemáticas de forma
cerrada para relacionar las variables, es posible simular sistemas complejos cuyo modelo
no puede plantearse en forma matemática.

Procesos de solución

Pueden utilizarse tres procesos o métodos de solución para llegar a soluciones óptimas
o casi óptimas para problemas basados en la ciencia de la administración: (1) algoritmos,
(2} métodos heurísticos y (3) simulación. Dado que el método de los algoritmos es eJ
proceso de solución de uso más común, aquí se justifica una explicación detallada; pero
antes de explorar esta área, es necesario hacer unos cuantos comentarios acerca del uso
de la simulación y los métodos heurísticos.
Cuando dejamos el análisis del modelo (1.7), hicimos notar que el siguiente paso
del proceso consistía en resolver el modelo. Un poco más adelante demostraremos que
es posible obtener una solución analítica para ese modelo; sin embargo, esto puede no
ser cierto en muchos casos. En algunos problemas tal vez sea imposible resolver en forma
analítica el modelo; es decir, en forma matemática. En esos casos puede utilizarse la
simulación para analizar el problema, pero la solución que se tiene a partir de un proceso
de simulación no necesariamente es la óptima. Un modelo de simulación precisamente
"simula" la conducta del problema para un conjunto definido de condiciones de entra-
da. Para determinar "el mejor curso de acción" debe analizarse la conducta del modelo
bajo diversos datos de entrada y elegir el que proporcione el nivel deseado de resultados.
En ocasiones el planteamiento matemático de un problema puede ser tan complejo
que una solución analítica es casi imposible, y la evaluación a través de simulación no
es práctica debido al tiempo excesivo de procesamiento. En estos casos pueden utilizarse
métodos métodos heurísticos para desarrollar soluciones aproximadas aceptables. El proceso heu-
heurísticos rístico de solución se basa en reglas empíricas o intuitivas que, cuando se aplican al
modelo, 'proporcionan una o más soluciones. Los métodos heurísticos son procedimien-
tos de búsqueda: que intentan pasar de un punto de solución a otro, de manera que se
mejore el objetivo del modelo con cada movimiento sucesivo, Cuando ya no es pasible
encontrar mejoras al objetivo del modelo utilizando la regla de búsqueda elegida, la
solución alcanzada-se denomina soluciónaproximada. En este texto es mínimo el análisis
de Ios procesos heurísticos de solución (se cubren en forma breve en el capítulo 9), puesto
que por lo general dependen en gran medida del problema específico que se resuelve,
12 Capítulo 1 • lntroducción a los modelos y a la ciencia de la administración

se usan en términos generales para problemas de particular complejidad y, con frecuen-

cia; dependen de algoritmos para resolver partes del problema. Se concentrará la aten-
ción eri el uso de algoritmos.
algoritmo Un algoritmo es simplemente un conjunto de procedimientos o reglas que, cuando
se siguen en forma ordenada, proporcionan la mejor solución para un modelo determina-
do. Ya que un algoritmo se desarrolla para un modelo dado o definido, es aplicable
sólo para resolver un problema que se ajuste a las características específicas del modelo.
Aunque tal vez sea posible alterar un algoritmo para que satisfaga los requerimientos
de problemas especializados, lo más probable es que se convierta en una labor difícil
porque exigirá alterar los programas de computadora que existen para los algoritmos.
Puede ilustrarse el concepto de algoritmo utilizando el modelo que se planteó antes
acerca del proceso de producción [modelo (l. 7)]. Recuérdese que el modelo se expresó
de la siguiente manera:

MAXlMIZAR: Z ~ 12x, + 10x2 + 8x3

SUJETO A: Sx, + 4x2 + 2x3 :5 400

Recuérdese también que las contribuciones a las utilidades eran de 12, 10 y 8 para la
venta de los productos No. l, No. 2 y No. 3, respectivamente, y que 8, 4 y 2 eran las
horas de mano de obra que se requerían por unidad para la fabricación de los respectivos
productos. Examinando el modelo, puede observarse que el producto No. 1 contribuye
con $12 a las utilidades, en comparación con $10 y $8 de los otros dos productos; por
ello, podríamos concluir que deben fabricarse tantos productos No. 1 como los recursos
lo permitan. Pero, si examinamos los costos de mano de obra asociados con el primer
producto (8 horas/unidad) es fácil observar que tiene el más alto requerimiento unitario
de mano de [Link] decisión de fabricar tantos productos No. 1 como sea posible quizá
no sea una decisión inteligente. Dado que tanto los coeficientes de contribución y los
de mano de obra por unidad afectan la decisión respecto al número de unidades que
deben fabricarse de los tres productos, es necesario un medio que permita examinar
ambos coeficientes en forma simultánea. Es posible lograr esto calculando una razón
de los dos coeficientes. Esos cocientes serían:

$12/unidad
No. 1: 1.50 dólares/hora
8 horas/unidad
$10/unidad
No. 2: 2.50 dólares/hora
4 horas/unidad
$8/unidad
No. 3: 4.00 dólares/hora
2 horas/unidad

Estas razones representan la "contribución en dólares por hora de mano de obra inverti-
da" en la fabricación de los respectivos productos. Examinando estos cocientes, puede
concluirse que la decisión apropiada sería fabricar la mayor cantidad del producto No.
3 que el recurso de mano de obra permita.
Para determinar el número real de unidades del producto No. 3 que deben fabricar-
se, se divide el total disponible de horas de mano de obra (400) entre los requerimientos
de este recurso para el producto (2 horas/unidad). Entonces, el "mejor curso de acción"
es fabricar O unidades del producto No. 1 (x1 = O), O unidades del producto No. 2
 Los modelos matemáticos y la ciencia de la administración 13

(x2 = O) y 200 unidades del producto No. 3 (x3 = 200). En este caso, las utilidades
resultantes serían

z= 12(0) + 10(0) + 8(200)

= $1600

El algoritmo para el modelo (1. 7), definido de manera no muy formal, se expresaría
de la siguiente manera:

Calcular una razón para cada producto dividiendo el coeficiente correspondiente de contri-
bución a las utilidades entre el coeficiente de mano de obra por unidad.
La mayor razón denota el "producto que debe fabricarse".
Determinar la "cantidad que debe fabricarse", dividiendo el total de horas de mano de
obra disponibles entre el coeficiente de mano de obra del producto que debe fabricarse.

Dado que el algoritmo se ha definido de manera poco formal, es decir, no toma

en consideración la posibilidad de que existan coeficientes negativos o cocientes negati-
vos, y al estar tan estrechamente relacionado con el problema específico, nos obliga
a desarrollar un algoritmo más estructurado en términos matemáticos que se ajuste a
un modelo general que pudiera utilizarse tanto para este problema como para otros.
Puede comenzarse desarrollando un modelo general del modelo (1. 7). Si utilizamos
cj para representar la contribución por unidad del producto j, aj para representar el re-

querimiento unitario de mano de obra para la fabricación del producto j, y b para repre-
sentar el total de mano de obra disponible, entonces el modelo puede expresarse de la
siguiente manera:

MAXIMIZAR: Z = C¡X¡ + C2X2 + C3X3

SUJETO A: O¡X¡ + 02X2 + 03X3 S b

Dado que estamos tratando de desarrollar un modelo general, es necesario tomar en

consideración que pueden fabricarse más de tres productos. Se supone que es posible
fabricar n productos. Para ser realistas, es necesario observar también que todas las
variables de decisión (xi' x2 y x3) son cero o mayores. Por ello, el modelo sería

MAXIMIZAR: Z = C¡X¡ + C2X2 + C3X3 + • ; • + CnXn

SUJETO A: O¡X¡ + ü2X2 + 03X3 + .... + a.x. s b (1.8)
X¡, X¡, X3, ... , x, ~ 0

Expresado esto en una forma matemática más compacta, el modelo general es como sigue:

MAXIMIZAR:

SUJETO A:

y para toda j
14 Capítulo 1 • Introducción a los modelos y a la ciencia de la administración

Este modelo es un modelo más general que el (1.7), pero al igual que éste, modela e
forma completa el problema de producción.
El algoritmo para este modelo general sería:

Calcular la razón e/aj para todas las variables, en donde aj > O.

Observar cuál es la mayor razón y denotar la variable de decisión asociada como xj. (Si
hay varios cocientes con igual valor, esto denota que la fabricación de los productos asocia-
dos rinde el mismo nivel de utilidades.)
Si la mayor razón que se ha identificado es igual o menor que cero, entonces no debe produ-
cirse nada; el curso óptimo de acción consiste en no fabricar unidad alguna. Si la mayor
razón es superior a cero, entonces se continúa.
Calcular la cantidad óptima que debe producirse con la relación xj = bláj, en donde áj
es el coeficiente de mano de obra asociado con el mayor cociente identificado antes. (Si
existen razones iguales, entonces hay políticas óptimas alternativas.)

Es evidente que este algoritmo no es complejo porque el modelo (1.8) no es un

modelo muy complejo; sin embargo, ilustra muy bien el concepto de desarrollo de
un algoritmo.

EL PROCESO DE SOLUCIÓN DE PROBLEMAS EN CA/10

· Se señaló antes en el capítulo que el objetivo del texto no es desarrollar o ampliar la

teoría de algoritmos de solución sino, más bien, examinar y estudiar la estructura de
los problemas a los que puede aplicarse un algoritmo determinado. Se examinan ciertos
algoritmos sólo como auxiliares para comprender mejor la estructura de los problemas
a los cuales se aplican. Nuestro objetivo es mucho más amplio. Resolver un problema
o, en términos más específicos, utilizar modelos de CA/10 como ayuda en la solución
de problemas, implica algo más que encontrar un algoritmo que se ajuste a un problema
determinado.
Existen ciertas etapas que deben seguirse en cualquier estudio de CA/10; éstas co
mienzan con la identificación del problema y llegan hasta el implante y evaluación finales
del sistema diseñado para resolverlo. Estas etapas deben seguirse para que sea posible
esperar cierto grado de éxito en el proceso de planteamiento de modelos. Estas etapas
proceso de se denominan proceso de solución de problemas.
solución de El proceso de solución de problemas de CA/10 puede describirse en una estructura
problemas de seis etapas, como sigue:
l. identificación, observación y planteamiento del problema
2. construcción del modelo
3. generación de una solución
4. prueba y evaluación de la solución
5. implante
6. evaluación

En la figura 1-1 se muestra una representación más detallada y práctica de este proceso.
Las seis etapas del proceso se identifican con los cuadros de líneas punteadas, numerados
(1) a (6).
 El proceso Cle solución de problemas en CA/10 15

1 (1-)-
1
- - - - - - ---:. - - -1
1
:--¡-5) - - ~ - - -1-:- - - - - - - -¡
: [Link] el poblerna : : Implante :
1 1 1 1
1 s 1 1 1
1
1 •
1 1
1
~----------------~
1 Observar el problema, 1 Gru------~r--~----,
1 recopilar datos ,, 1 1 1
,.+-t.. descriptivos e identificar 1
I Resultad?S ¡
1 factores que los afectan- 1 1 1
1 1 1 1
1 1 1 1
1 •. 1 1 1 1
1 + 1 1 ~, 1
1
: " Describir en forma : 1 Futuro üatos 1
1
I verbal el problema I I "pronosticado" __.
1

1 1 1 1
L J 1 1
1 1
1(2)-- --~,------1 1 ~r 1
1 1
: Clasificar lós fac!óres 1 Intervalo ¿Los !
como "controlables" o i 1
¡ predeterminado 4 resultados ¡
: "no controlables" : I de valores satisfacen 1
1 las metas? 1
1 1
1 1 1 1
1 ~, 1 1 1
1 1
: Desarrollo del modelo: : ~ M~~ 1
I (a) estructura I 1 ~ 1
I (b) parámetros I 1 1
I ~- I
l "sí" .* 1 1

: +
1 1
1-¡J) - - - - •r- - - - -1 l.•• ·~ :
1 -Coniinuar "no" 1
: Generar la solución :
r 1
1 1 r 1
1¡ 1I 1 1
---'- -- __
1 1
1 1
114i- - ~ - -, ,- - - - - -1 1 ', 1
¿El costo de

'+
1 Correr datos de prueba 1 1 1
1 - . 1 •I ~--"s_r_·
---i cambiar es > 1
1 1 1 ahorrOSo? 1
1 1 1 1 1
1 1 1 Alto "no" 1
1 1 1 1 1
1 ~, 1 1 • 1
: Evaluar : : Re.,.isar :
I el modelo I
1 1
1

~~_;pt~I;~~-
••

--+--~'
1 1
L- -1"- _ =--- 1
_t

FIGURA 1·1. E 1 proceso de solución de problemas de CA/10. (Adaptado

de Ronatd V Hartley. Qperations Research: A Manageriaf Emphasis. Good-
year PublisMing Co., 1976, p. 10)
16 Capítulo 1 • Introducción a los modelos y a la ciencia de la administración

La etapa 1 comienza cuando quien toma las decisiones observa la realidad y

da cuenta o percibe que un resultado que se desea no se está produciendo bajo las oper
cienes existentes. La segunda fase de la etapa incluye a quien construye el modelo
a quien toma las decisiones. En este punto, se observa el problema con el objeto d
identificar variables y relaciones clave. La observación del problema puede llevarse
cabo en fortna colectiva o separada .. Sin embargo, es necesario desarrollar un enfoqu
unificado; por ello, debe ocurrir una gran interacción entre quien toma las decision
y quien construye el modelo, La fase final de la etapa 1 consiste en describir en forme
verbal el problema. Este problema verbal es una descripción narrativa de las variables
las restricciones y el objetivo, así como también ciertas ideas generales con respecto
las relaciones que existen en el modelo. La descripción verbal del problema es una fas
muy importante de la etapa 1, porque es la base sobre la cual se planteará el modele
matemático.
La etapa 2 del proceso de solución de problemas implica el desarrollo del modelo
pero antes de estructurar en forma matemática el problema es necesario examinar lo
factores identificados en la etapa 1 para diferenciar entre las variables controlables
las no controlables. Las variables controlables pueden manipularse o modificarse por
quien toma las decisiones; las variables no controlables no pueden cambiarse. Para ayu
dar a plantear el modelo matemático, la persona que toma las decisiones debe identifica
las variables controlables relevantes. Con base en estas variables y relaciones clave qu
se han identificado y documentado en el modelo verbal, el constructor del modelo estruc
tura uno que describe en términos matemáticos el problema. Puede resultar necesari
hacer algunas consideraciones que limiten al problema real para que pueda resolverse
Con bastante frecuencia es necesario probar un planteamiento inicial del modelo par
determinar las consideraciones que deben hacerse.
El desarrollo del algoritmo o proceso de selección ocurre en la etapa 3. En la práctica
real, existe cierto grado de retroalimentación entre las etapas 2 y 3, dado que debe teners
la seguridad de que el problema planteado en la etapa 2 satisface todas las condicione
o consideraciones que el algoritmo utiliza en la etapa 3. En realidad, hay que tener cuida
do al usar el término algoritmo en este punto, porque un proceso de solución no se limita
a un algoritmo. Recuérdese que mencionamos que los métodos heurísticos, así com
también la simulación, pueden utilizarse para resolver determinados problemas. Hemo
decidido poner énfasis en el proceso algorítmico de solución en este punto, ya que l
mayoría de los problemas que se abordan en el texto pueden resolverse utilizando un
algoritmo.
En la etapa 4 se evalúa y se prueba el modelo adoptado o desarrollado en la etap
3, con el objeto de determinar si produce resultados útiles para el problema original
Pueden utilizarse diversos procedimientos para probar el modelo. En primer lugar, quien
toma las decisiones simplemente puede examinar los resultados y hacer algún juicio co
respecto a cuán razonables son. En segundo lugar, es posible adoptar un procedimiento
de prueba a través del cual se utilicen situaciones históricas previas como modelo base
Es decir, puede introducirse información proveniente de una decisión previa al modelo
y comparar los resultados con lo que ocurrió en realidad. Sin importar si se utiliza un
de estos procesos de prueba, o ambos, para evaluar el modelo, éste debe modificars
si no satisface las necesidades de quien toma las decisiones. Con bastante frecuencí
el proceso de revisión implica añadir y eliminar variables, pero podría implicar volve
al problema observado originalmente. (Esto se muestra en la figura 1-1 como el circuit
de regreso a la etapa 1.)
 La etapa 5 del proceso de solución de problemas de CA/10 es el implante del modelo
validado. Por desgracia, la mayoría de los especialistas en ciencia de la administración
no reconocen que el [Link] el primer día del proyecto, y no cuando el modelo
se ha desarrollado y ya está operando. Los administradores deben participar en el proyec-
to de CA/10 durante todo su desarrollo. El implante no significa que el modelo que
a
se pone en práctica simplemente se entrega los administradores y que, con esta acción,
quien lo construyó se retira del proyecto. Quien construye el modelo debe: (l) trabajar
con quien toma las decisiones para identificar en forma apropiada el problema (etapa 1),
(2) obtener retroalimentación de quien toma las decisiones con respecto a la validez del
modelo (etapa 4) y (3) trabajar con quien toma las decisiones para implantar y utilizar
el modelo.
En el capítulo 16 se examina en detalle el área del implante. En ese capítulo se identi-
fica un modelo de juegos de implante y se presentan diversos estudios relacionados con
problemas en esta área. En este capítulo hemos hecho notar que el implante es una
etapa clave en el proceso de solución de problemas y que, si los administradores no
participan en forma amplia en el proyecto y no apoyan en forma completa su objetivo,
lo más probable es que se juzgue que el modelo es sólo un ejercicio práctico para quien
lo construyó.
La última etapa del proceso de solución de problemas (etapa 6) es la evaluación
y revisión del modelo. Dado que no es raro que un modelo de CA/10 se utilice en forma
repetida en el análisis de problemas de decisión, el modelo debe evaluarse en forma conti-
nua para determinar si los valores de los parámetros han cambiado y/o para ver si el
modelo sigue satisfaciendo las metas de quien toma las decisiones. Si las características
del problema cambian, o si rro se están satisfaciendo las metas de quien toma las decisio-
nes, entonces debe considerarse una modificación del modelo. Se utiliza el término ''con-
siderar'' porque debe contrastarse el costo de cambiar el modelo con los ahorros que se
lograrían con la modificación. Si el costo de la modificación supera a los ahorros,
entonces debe descontinuarse el proyecto: De nuevo, es aquí donde los administradores
pueden tener una mala experiencia con los modelos de CA/10. Si los administradores
no reconocen el momento en el que un proyecto excede su utilidad, los resultados defi-
cientes de periodos posteriores de uso del modelo pueden opacar su desempeño previo,
cuando el modelo en verdad. resolvía el problema.

LA CIENClA DE LA ADMINISTRACIÓN Y LA COMPUTADORA

Uno de los factores clave que ha ayudado tanto al crecimiento como al desarrollo de la
ciencia de la administraciónha sido el advenimiento de la computadora. Sin ella, estaría
severamente limitado el uso de las técnicas de la ciencia de la administración. A partir del
análisis referente a "modelos matemáticos y ciencia de la administración", resulta
evidente que los procesos dé solución que se utilizan en la ciencia de la administración
pueden volverse bastante laboriosos y, en algunos casos, complejos. Por fortuna, uti-
lizando la computadora, es posible reducir gran parte de la complejidad matemática y
de la carga de cálculos implícitos en el uso. de diferentes técnicas de solución. Esto 'DO
significa que podamos ignorar el "proceso de solución de problemas de CA/10". Por
el contrario, tan.sólo significaque la capacidad y la velocidad de cálculo de una computa-
dora reduce esa tarea en forma significativa.
18 Capítulo 1 • Introducción a los modelos y a la ciencia de la administración

Dado que el énfasis de este texto se da en la aplicación de técnicas de solución (en

la mayoría de los casos, algoritmos) más que en el desarrollo delas técnicas, la computa-
dora es una parte integral del proceso de solución de problemas. En todo el texto se
hará énfasis en la interpretación de los resultados de los modelos. En la mayoría de
los casos se presentará un informe de resultado manual (tabla) y una solución computa-
dorizada. Seespera que este enfoque promueva el uso de procedimientos computadoriza-
dos, pero no a costa de excluir por completo el examen de los procesos de solución que
se utilizan.

RESTRICCIONES EN EL CAMPO DE LA CA/10

La ciencia de la administración, al igual que cualquier otro campo, tiene ciertas restric-
ciones y limitaciones. Una limitación es la necesidad de hacer consideraciones al estructu-
rar o plantear el problema que se aborda. Con frecuencia son necesarias las simplificacio-
nes porque el problema original es tan complejo que resulta difícil plantear un modelo
o resolverlo. Entonces, para resolverlo, se hacen simplificaciones en forma de considera-
ciones acerca de ciertas variables. Este proceso de simplificación produce un problema
o modelo simplificado que puede manipularse con el objeto de llegar a una solución
inicial para el problema. Un ejemplo en economía es el estudio de mercado. Esta situa-
ción muy compleja se simplifica en gran medida suponiendo que existe competencia
perfecta. Esta es una consideración amplia; aun así, con ella es posible desarrollar un
modelo económico básico que resulta útil para estudiar los efectos de diversas fuerzas
sobre el mercado .. Dado que los modelos son representaciones simplificadas de la reali-
dad, con frecuencia surge la pregunta respecto a si el modelo captura la esencia del pro- ·
blema original que es más complejo. En realidad, pueden llegarse a hacer tantas conside-

Realidad

Problema
original

Modelo
simple

Tiempo

FIGURA1-2. Simpllñcaeióf del modelo en comparacióncon la realidad

 Restricciones éO el campo de la CA/10 19

raciones para simplificar el problema original, que esto provocaría que el modelo resultante
no sea útil. Por tanto, es importante que quien construye el modelo investigue con quien
toma Jas decisiones las consiqéjaciones que darfan como resultado que .et modelo sea
válido. Así, el constructor deGpo(Jelo puedeintentar resolver una versión más compleja
que sería útil para quien toma las decisiones. Este proceso se muestra en forma gráfica
en la figura 1-2,5
En esta figura, quien construye el modelo comienza en el tiempo t0 con el proble-
ma complejo. Después, se hacen suposiciones que simplifican el problema para que pue-
da obtenerse una solución en el tiempo t.. Después se suavizan las consideraciones, una
por una, y el modelo regresa hacia la realidad, utilizando lo que se aprendió en la solución
del modelo simple para resolver versiones del problema cada vez más complejas.
Una segunda limitación de la ciencia de la administración es que la mayoría de los
modelos consideran sólo una función objetivo. Al analizar el planteamiento de mode-
los normativos, se habló sólo de funciones objetivo únicas. Las técnicas de ciencia de
la administración como la programación lineal, la programación entera y los modelos
de transporte consideran un solo objetivo.
En la práctica los modelos con un solo objetivo pueden resultar problemas clave,
porque con frecuencia quienes toman las decisiones tienen otros objetivos aparte de
maximizar las utilidades o minimizar los costos. Una técnica, la programación de metas
(capítulo 8), tiene la capacidad efe manejar objetivos múltiples. Diversos investigadores
se dedican en la actualidad a desarrollar otros modelos de decisión de criterios múltiples.
Otra área de problemas en fa ciencia de la administración es el tamaño del sistema
de ecuaciones (es decir, las restricciones del problema) que existen en un problema prácti- .
co. Muchos problemas en la industria, el gobierno y el sector público contíenen un gran
numero de restricciones. Esto plantea dos problemas en el proceso de planteamiento
de modelos de CA/IO. En primer Jugar, en los círculos académicos existe una tendencia
a examinar problemas pequeños y únicos con el objeto de ilustrar el modelo o concepto.
Las personas que elaboran modelos o toman decisiones pueden desarrollar una opinión
muy ingenua sobre los problemas prácticos. [Link] reconocer que muchos proble-
mas prácticos pueden contener waríos cientos de restricciones.6
El segundo problema se refiere a la cantidad de cálculos. Los algoritmos que descri-
biremos en el texto son directamente apropiados para problemas básicos pequeños. Cuando
se considera un conjunto grande [Link], es necesario utilizar algoritmos eficientes
en términos de cálculo porque, de otra manera, el costo de proceso de planteamiento
[Link] podría ser excesivo." Con bastante frecuencia resulta posible aproximar so-
luciones a problemas grandes aplicando el proceso de simplificación que mencionamos.
Un área final de problemas que debe considerarse, ~es la de la comparación de
costos y beneficios. Esta cuestión debe abordarse antes de emprender un proyecto de
ciencia de la administración. E~ fáéíl involucrarse en un modelo de CA/IQ hasta el punto ·
de adoptar las capacidades computadorizadas de solución de problemas de la ciencia

YVéase A. H. Packer, "Applying Cost-Effectiveness Concepts to the Community Health System", Opera­
tions Research, 16, No. 2 (marzo-abril de 1968), pp .. 221cis3.
6En este texto presentaremos, como nuestras contrapartes han hecho en el pasado, problemas básicos que
ilustran la natural~atlel problema que puede abordarse-Está fuera de nuestro objetivo examinar problemas _
grandes y complejos. .
7Existen en la práctica diversos algoritmos eficientes en términos de cálculo; pueden adquirirse de los fabri-

cantes de computadoras y las casas vendedoras de software.

20 Capítulo 1 • Introducción a los modelos y a la ciencia de la administración

de la administración sin examinar los beneficios potenciales [Link] alcanzarán. En mu-s

chas situaciones, el costo de desarrollar e implantar un modelo puede superar los ahorros
que se obtienen por su uso. Muchos problemas de toma de decisiones pueden resolverse
sin utilizar modelos muy elaborados. Un problema que con frecuencia encuentran quie-
nes toman las decisiones y construyen los modelos es que se involucran tanto con el
proceso de la construcción del modelo que todo problema de decisión se aborda con
un modelo. La ciencia de la administración, al igual que cualquier otro campo, debe
utilizarse y aplicarse dentro de límites lógicos.

GLOSARIO

aJgoritmo: conjunto de procedimientos que, cuando se siguen en forma ordenada, proporcionan.

una solución óptima a un problema.
función objetivo: función matemática que define la efectividad del modelo como una función
de las variables de decisión.
investigación de operaciones: nombre que se utilizó para describir las actividades de ciencia de
la administración/investigación de operaciones en las operaciones militares británicas durante
la segunda guerra mundial.
métodos heurísticos: procesos de solución que se basan en reglas intuitivas o empíricas para dar
una solución aproximada a un problema.
modelo a escala: estructura física, de tamaño reducido, que representa el problema real.
modelo descriptivo: modelo matemático que representa una relación funcional pero que no señala
ningún curso de acción.
modelo determinístico: modelo en el que se conocen con certidumbre los parámetros.
modelo [Link]ámico: modelo cuyas características varían de un periodo a otro. Determinar el curso
óptimo de acción requiere el examen de periodos múltiples.
modelo estático: modelo definido en un punto fijo del tiempo.
· modelo estocástico: modelo en el que los parámetros no se conoeen con certidumbre; es decir,
existe cierta probabilidad de ocurrencia para diferentes parámetros. del modelo.
modelo lineal: modelo en el que todas las relaciones funcionales son de tal naturaleza que la varia-
ble dependiente es proporcional a La suma de las variables independientes. Estos modelos también
tienen la característica de que, para cualquier cambio en una variable independiente, mientras
se mantienen las demás fijas, el cambio en la variable dependiente es. directamente proporcional.
modelo matemático: representación simbólica y abstracta de un problema.
modelo mental: imagen mental de la estructura que describe un prohlerna,
modelo no lineal: modelo en el que [Link] o funciones que no son proporcionales.
Estos modelos tienen variables elevadas a una potencia diferente de uno y/o tienen productos
de dos o más variables.
modelo normatlve: modelo matemático que describe una relación funcional y prescribe un curso
de acción para alcanzar el objetivo que se definió para el modelo. .
ORSA: Operations Research Society of América (Sociedad Estadounidense de Investigación de
Operaciones); grupo pionero al que se da crédito por el desarrollo de la investigación de operacio-
nes en Estados- Unidos de Norteamérica.
proceso de solución de problemas: etapas (estructura) que se siguen para desarrollar e implantar
un modelo de CA/IO.
restricción: función matemática que describe o asigna un límite factible al modelo y/ o las variables
de decisión.
TIMS: The Instítute of Management Sciences (Instituto de Ciencias de la Administración); organi-
zación fundada en 1953 én Estados Unidos para dar relevancia a las investigaciones aplicadas
en ciencia de la administración/investigación de operaciones.
variables de decisión: cantidades desconocidas que deben determinarse en la solución para un modelo.