La Investigación de Operaciones tiene fama de ser una de las materias más densas de las carreras de Ingeniería Industrial, Administración y Economía. No es por dificultad conceptual - cada técnica es sorprendentemente intuitiva - sino por la cantidad de algoritmos y la calidad mecánica de los cálculos. Hacer un Simplex de 6 variables a mano puede tomar 45 minutos; un problema de Transporte con Vogel, una hora; un PERT con 12 actividades, otra hora.
Lo importante no es ese trabajo mecánico - es aprender a modelar el problema correctamente. Esta guía cubre todo el programa típico de IO indicando, para cada técnica: qué problema resuelve, cuándo aplicarla, cómo formularla y qué calculadora gratuita del sitio te ahorra el cálculo manual.
¿Qué es la Investigación de Operaciones?
IO es la aplicación de métodos cuantitativos a la toma de decisiones en sistemas organizacionales complejos. Nació en la Segunda Guerra Mundial (de ahí "operaciones") cuando matemáticos como Dantzig, Koopmans y Kantorovich resolvieron problemas de logística militar que después se aplicaron al mundo civil con un éxito enorme.
Las grandes empresas que usan IO masivamente: aerolíneas (asignación de tripulación, ruteo), retail (gestión de inventarios), banca (carteras), logística (Amazon, FedEx), telecomunicaciones (ruteo de paquetes), energía (despacho), salud (programación de quirófanos). Todas estas industrias serían imposibles sin algoritmos de IO ejecutándose continuamente en segundo plano.
El programa típico de IO en una página
Un curso universitario estándar cubre estas 10 técnicas, agrupadas por familia:
- Optimización lineal: Simplex, Dual, análisis de sensibilidad.
- Problemas especiales: Transporte, Asignación.
- Optimización en redes: Ruta más corta, flujo máximo, árbol expandido mínimo.
- Gestión de inventarios: EOQ y variantes.
- Gestión de proyectos: PERT y CPM.
- Sistemas de espera: Teoría de colas.
- Procesos estocásticos: Cadenas de Markov.
- Toma de decisiones: Análisis bajo riesgo e incertidumbre.
- Programación dinámica: Mochila, ruteo, scheduling.
- Programación entera y no lineal: Branch and bound (más avanzado).
El sitio tiene calculadora para 9 de esos 10 temas. Vamos uno por uno.
1. Programación Lineal y el Método Simplex
El problema básico: maximizar (o minimizar) una función lineal sujeta a restricciones lineales con variables no negativas. Aparece en producción óptima, mezcla de ingredientes, asignación de presupuesto, dietas, mezcla de cargas.
Formulación típica:
max Z = c₁x₁ + c₂x₂ + ... + cₙxₙ
s.a. a₁₁x₁ + a₁₂x₂ + ... ≤ b₁
a₂₁x₁ + a₂₂x₂ + ... ≤ b₂
...
xᵢ ≥ 0
El algoritmo de Dantzig (1947) resuelve esto en tiempo polinomial práctico, moviéndose de vértice en vértice del poliedro de soluciones factibles hasta encontrar el óptimo. La calculadora Simplex maneja restricciones ≤, ≥ y = (método de dos fases / Big-M).
Cómo modelar un problema PL en 4 pasos:
- Variables de decisión: ¿qué decides? Cantidades a producir, % a invertir, asignaciones binarias.
- Función objetivo: ¿qué maximizas o minimizas? Utilidad, costo, tiempo.
- Restricciones: ¿qué te limita? Recursos disponibles, demanda mínima, capacidad máxima.
- No negatividad y signos: las variables económicas suelen ser ≥ 0.
2. Problema de Transporte
Un caso especial de PL con estructura muy particular: m orígenes con cierta oferta cada uno, n destinos con cierta demanda, costo unitario de transportar entre cada par. Minimizar costo total. Lo más rico aplicado a logística real.
Aunque el Simplex resuelve el problema, hay tres heurísticas específicas más rápidas para la solución inicial:
- Esquina Noroeste: la más simple, ignora costos. Para fines didácticos.
- Costo Mínimo: mira el costo más bajo y asigna ahí primero. Mejor que NW.
- Vogel (VAM): calcula penalizaciones por fila/columna. Generalmente la mejor heurística.
La calculadora de transporte hace los tres simultáneamente para que veas las diferencias. Hasta 6×6 con auto-balanceo si oferta ≠ demanda.
Tip de examen: si te dicen "encuentra la solución inicial por el método X", Vogel casi siempre da la mejor solución. Pero los profesores frecuentemente piden los tres para comparar.
3. Problema de Asignación (Hungarian)
Un caso aún más especial: oferta = demanda = 1 en todos los nodos. Cada trabajador hace exactamente UNA tarea, cada tarea es hecha por exactamente UN trabajador. Costo conocido para cada par. Asigna minimizando costo total.
El método húngaro (Kuhn-Munkres, 1955) resuelve este problema en O(n³). Funciona también para maximización (basta transformar restando del máximo de la matriz).
Aplicaciones: asignación de proyectos a empleados, máquinas a tareas, jueces a partidos, profesores a aulas, vendedores a territorios. Cualquier problema de "matching" perfecto.
4. Modelo de Inventarios EOQ
El primer modelo formal de gestión de inventarios (Harris, 1913): cuánto pedir y cuándo pedir para minimizar el costo total de inventario. El trade-off central: pedir mucho = menos pedidos pero más almacenamiento; pedir poco = menos almacenamiento pero más pedidos.
La fórmula clásica: EOQ = √(2DS/H) donde D es demanda anual, S costo por pedido, H costo de mantener una unidad un año. Y la cantidad de pedidos al año es D/EOQ.
La calculadora EOQ añade punto de reorden (con lead time y stock de seguridad), tabla de sensibilidad y curva de costos.
Propiedad notable: la fórmula es robusta. Pedir 50% menos o más del EOQ teórico solo aumenta el costo total ~6%. Por eso en práctica se redondea al lote de pedido más conveniente.
5. Gestión de proyectos: PERT y CPM
Un proyecto consta de actividades con duraciones y precedencias. ¿Cuánto durará el proyecto entero? ¿Qué actividades son críticas? ¿Cuáles tienen holgura?
CPM (DuPont, 1957) asume duraciones determinísticas. PERT (Marina USA, 1958) usa tres estimaciones (optimista, probable, pesimista) y calcula tiempo esperado te = (a + 4m + b)/6.
El algoritmo identifica:
- Forward pass: ES (Earliest Start) y EF de cada actividad.
- Backward pass: LS (Latest Start) y LF.
- Holgura: LS - ES. Cuánto puede atrasarse sin afectar el proyecto.
- Ruta crítica: actividades con holgura = 0. Determinan la duración total.
La calculadora PERT/CPM hace todo eso, además calcula probabilidad de terminar antes de una fecha objetivo T usando TCL sobre las varianzas de actividades críticas. Diagrama Gantt incluido.
6. Modelos de redes: Dijkstra y más
Cualquier problema que se modele como nodos conectados por arcos con pesos. El clásico: encontrar la ruta más corta entre dos nodos. Aparece en GPS, ruteo de internet, logística, ferrocarriles, redes sociales.
El algoritmo de Dijkstra (1956) lo resuelve en O((V+E) log V). Funciona con grafos dirigidos o no dirigidos, pero requiere pesos no negativos. Para pesos negativos se usa Bellman-Ford.
Otros problemas de redes que un curso de IO cubre:
- Flujo máximo (Ford-Fulkerson): cuánto puedes mandar de un origen a un destino con capacidades en cada arco.
- Árbol expandido mínimo (Prim, Kruskal): conectar todos los nodos con mínimo costo.
- Distancias entre todos los pares (Floyd-Warshall).
7. Teoría de Colas
Modelado matemático de sistemas con filas de espera: bancos, supermercados, call centers, hospitales, peajes. Notación de Kendall: A/B/c donde A es distribución de llegadas, B es distribución de servicios, c es número de servidores.
Los dos modelos básicos son M/M/1 (llegadas Poisson, servicio exponencial, 1 servidor) y M/M/c (lo mismo con c servidores). La calculadora de colas calcula:
- ρ (utilización): λ/(c·μ). Debe ser < 1 para que el sistema sea estable.
- L: número promedio de clientes en el sistema.
- Lq: número promedio en cola (sin contar los que están siendo atendidos).
- W: tiempo promedio en el sistema.
- Wq: tiempo promedio en cola.
El efecto sorpresa: la relación ρ vs. Wq es no lineal. A ρ = 50%, Wq es pequeño. A ρ = 95%, Wq es enorme. Por eso los sistemas reales nunca se diseñan al 100% de utilización.
8. Cadenas de Markov
Un proceso estocástico donde el futuro depende solo del presente, no del pasado. Se modela con una matriz de transición P donde P[i][j] = probabilidad de pasar del estado i al estado j en un paso. Cada fila suma 1.
Lo que se calcula:
- Pn: probabilidad de estar en cada estado después de n pasos.
- Distribución de estado estable π: comportamiento de largo plazo. Si la cadena es regular, existe único y es independiente del estado inicial.
- Tiempo medio de retorno: m_i = 1/π_i.
La calculadora Markov permite hasta 6 estados, valida que la matriz sea estocástica y detecta regularidad. Aplicaciones: marketing (cuotas de mercado), recursos humanos (movilidad), riesgo crediticio (niveles de mora), demografía, clima.
9. Análisis de Decisiones
Cuando tomas una decisión bajo incertidumbre, tienes una matriz de pagos: filas = alternativas, columnas = estados de la naturaleza. ¿Qué alternativa elegir?
Si conoces las probabilidades, se usa EMV (Expected Monetary Value): pondera los pagos por probabilidades. La alternativa con mayor EMV es la mejor en promedio. También se calcula EVPI (Expected Value of Perfect Information): cuánto pagarías por saber el estado real antes de decidir.
Si no conoces las probabilidades, hay 5 criterios clásicos:
- Maximax: el optimista (mejor caso de cada alternativa).
- Wald/Maximin: el pesimista (peor caso).
- Laplace: probabilidades iguales (promedio).
- Hurwicz: ponderación α·máx + (1-α)·mín.
- Savage: mínimo arrepentimiento.
La calculadora de análisis de decisiones aplica los 5 criterios simultáneamente. Si todos apuntan a la misma alternativa, la decisión es robusta. Si divergen, hay que profundizar.
10. Programación dinámica: la mochila 0/1
Una técnica para resolver problemas de optimización por combinación de soluciones óptimas a subproblemas. El ejemplo clásico es la mochila 0/1: dado un conjunto de objetos con peso y valor, y una capacidad máxima, ¿qué subconjunto maximiza el valor sin exceder la capacidad?
La calculadora de mochila construye la tabla DP completa:
- DP[i][w] = valor máximo usando los primeros i objetos con capacidad w.
- Recursión:
DP[i][w] = max(DP[i-1][w], DP[i-1][w-wᵢ] + vᵢ)si w_i ≤ w. - Reconstrucción: leer hacia atrás cuáles objetos se tomaron.
Complejidad O(nW). Si W es muy grande, DP no escala - se usa branch and bound o aproximaciones FPTAS.
La técnica DP se generaliza a muchos otros problemas: subsecuencia común más larga, edit distance, multiplicación óptima de matrices, scheduling. Aprender la mochila bien te da intuición para todos esos.
Cómo enfrentar un examen de IO
Después de años enseñando IO, las recomendaciones que doy a mis estudiantes:
- Lee el enunciado dos veces. Identifica: ¿qué decides? ¿qué maximizas/minimizas? ¿qué te limita?
- Identifica el tipo de problema. Tabla de cobertura mental: si hay flujos de origen a destino, es transporte; si hay actividades con precedencias, es PERT; si hay filas de espera, son colas. La técnica viene del tipo.
- Modela en una hoja aparte: variables, función objetivo, restricciones explícitas. No saltees este paso.
- Verifica el modelo: ¿las unidades cuadran? ¿hay restricciones obvias que falten (no negatividad)? ¿la formulación es coherente?
- Resuelve: aquí es donde las calculadoras del sitio ahorran tiempo. Tú modelas, ellas calculan.
- Interpreta el resultado: el examen suele pedir no solo el número, sino la interpretación gerencial. "¿Qué le diría al gerente?"
- Análisis de sensibilidad: muchos exámenes piden "¿qué pasa si cambia X?". Anticipa estas preguntas pensando en los parámetros clave del modelo.
Las 10 calculadoras del programa completo
Todo el catálogo de IO en español, gratuito, sin registro:
- Método Simplex - Programación lineal
- Problema de Transporte - 3 métodos comparados
- Asignación Hungarian - matching óptimo
- EOQ - cantidad económica de pedido
- PERT/CPM - ruta crítica
- Dijkstra - ruta más corta en redes
- Teoría de Colas - M/M/1 y M/M/c
- Cadenas de Markov - estado estable
- Análisis de Decisiones - EMV, EVPI, 5 criterios
- Mochila 0/1 - programación dinámica
Cada una con sección educativa completa, ejemplo precargado y explicación de la teoría. Pensadas para que aprendas, no solo para que copies el resultado.
Errores típicos en exámenes de IO
Lo que veo una y otra vez al corregir:
- No declarar bien las variables. "x = producto A" no es suficiente. Es "x_A = unidades del producto A producidas en el mes".
- Olvidar restricciones de no negatividad. Casi todas las variables económicas son ≥ 0. Olvidarlo es perder puntos.
- Confundir minimización con maximización. Lee bien si es costo (minimizar) o utilidad (maximizar).
- En transporte: olvidar balancear. Si oferta ≠ demanda, agrega fila/columna ficticia.
- En PERT: cálculo de probabilidad sin estandarizar. La probabilidad de terminar en T se calcula con z = (T - μ)/σ, no directamente.
- En colas: confundir λ con μ. λ es llegadas, μ es servicios. Si están al revés, ρ > 1 falso.
- En Markov: fila que no suma 1. La matriz no es estocástica - todos los cálculos posteriores están mal.
- En análisis de decisiones: mezclar criterios. Decir "elegí esto por Wald y EMV" puede ser contradictorio - hay que justificar.
Aplicaciones reales: por qué IO importa
IO no es teoría académica - es matemática aplicada que mueve la economía global:
- UPS: ahorra 100 millones de millas/año con su algoritmo ORION (variante del problema de ruteo).
- American Airlines: aumentó ingresos $1 billón/año con yield management (PL + estadística).
- Sasol (Sudáfrica): optimiza producción de combustibles ahorrando $500M/año con modelos lineales.
- HP: optimiza inventarios con cadenas de Markov y simulación.
- Mexicana de Aviación: en sus mejores años usó IO para ruteo de tripulación con ahorros millonarios.
Quien sepa modelar problemas reales con técnicas de IO tiene una ventaja profesional enorme. La habilidad de plantear correctamente un problema de optimización es de las que más rinden en el mercado laboral.
Si necesitas ayuda con tu curso o tu tesis
Si las herramientas y esta guía no son suficientes y necesitas asesoría personalizada para tu curso de IO, tesis con metodología de optimización, o aplicación profesional a tu empresa, eso lo hago como parte de mis servicios. Tutoría 1:1, revisión de modelos, implementación con Python (PuLP, OR-Tools) o solver comercial (Gurobi, CPLEX) según el caso.
Pero antes de eso: domina las 10 herramientas. Si las usas todas con ejemplos propios durante un mes, vas a ser de los mejores estudiantes de tu cohorte en IO. Lo digo por experiencia - he visto la diferencia entre alumnos que dedicaron tiempo a practicar con calculadoras buenas y los que se quedaron solo con apuntes de clase.