1.

1 La Evolución de la Ciencia Administrativa

La evolución de la ciencia administrativa ha venido de la mano con la evolución

de la tecnología.

La tecnología se ha venido inspirando durante siglos en la naturaleza y la vida

misma. Este blog pretende explorar la relación entre la vida y la tecnología, así como la

influencia de esta relación en la evolución de la ciencia administrativa. (fernandez,

2017)

De acuerdo con Fernández La aspiración humana de entendimiento y creación, lo

ha llevado siempre a querer imitar a la naturaleza, entendiendo a esta como la cúspide

de la perfección. Perfección misma que ha venido a reforzar las Teorías Creacionistas

que se pueden encontrar en muchas religiones, que dan por hecho que algo tan

perfecto no pudo haberse creado por sí solo.

Es por ello que durante años el hombre ha buscado reproducir a la naturaleza a

través de su creatividad, invención y su capacidad de aprender y comprender, y lo ha

logrado con regular éxito en muchos campos.

“hay uno en particular que se ha mantenido elusivo y ha planteado retos de alto

nivel para la comunidad científica del mundo: la reproducción de un sistema viviente en

toda su extensión; un sistema viviente que se mueva de forma orgánica, capaz de

pensar y aprender, y, sobre todo, capaz de perpetuarse en el tiempo.”. (fernandez,

2017)
 El estudio de los fenómenos administrativos que dan vida al Estado a través del

funcionamiento del gobierno, es decir, de la teoría de la Administración Pública como

disciplina científica, ha estado irremediablemente ligado a dos factores.

Por un lado, 2. Problemática de la reivindicación científica de la Administración

Pública a la evolución de las instituciones políticas y administrativas en los diferentes

contextos nacionales y, por otro, al interés académico reflejado en la creación de

instancias de educación superior orientadas a la formación de cuadros profesionales,

especializados, y con vocación para la función pública y/o la investigación académica

de los procesos administrativos en el ámbito gubernamental. Por lo anterior la

Administración Pública ha enfrentado serios obstáculos para definirse y afirmarse como

disciplina autónoma y específica con respecto a otras ya constituidas y con amplia

aceptación, como la Ciencia Económica, la Ciencia Política, el Derecho, la Teoría de la

Organización y la Teoría Administrativa. En este sentido,

(gonzalez, 2001) Advierte que la variedad de orientaciones académicas ha

generado una debilidad estructural en su estudio, y al mismo tiempo una dificultad para

reconocer su naturaleza e identidad propias respecto a otras ciencias sociales.

Todo esto ha resultado en una cierta ambigüedad y confusión respecto a la

terminología a utilizarse para significar un mismo objeto de estudio. En este sentido,

algunos investigadores utilizan el término Ciencia Administrativa o bien Ciencia de la

Administración.
 El tratadista español Mariano Baena del Alcázar, en esta misma línea de

pensamiento, habla de la Ciencia de la Administración

(alcazar, 1985)). Otros prefieren hablar de ciencias administrativas, en plural, lo

cual implica la idea de que no existe (o al menos no aún) una ciencia administrativa en

sentido estricto, sino solamente distintas disciplinas que tienen como punto de apoyo

común a la Administración.

Tal es el caso de la corriente estadounidense, fuertemente dominada por la

diversificación de los enfoques e instrumentos de análisis propios al contexto de

Estados Unidos.

Lo cierto es que en México adquiere una importancia fundamental como disciplina

autónoma con la creación del Instituto Nacional de Administración Pública (INAP) en

1955, y con la incorporación en 1957 a los programas de estudio de Origen y evolución

del estudio de la Administración Pública la carrera de Ciencias Políticas, que impartía

entonces la Escuela de Ciencias Políticas y Sociales, de diversas materias referidas a

la Administración Pública

((Döring, 1980) Las ambigüedades ya mencionadas en la terminología contribuyen

a las discrepancias acerca del asunto de la Administración Pública en cuanto a ciencia,

que se explican por la amplia diversidad de corrientes presentes en su origen.

 Aun cuando las tendencias contemporáneas tienden a mostrar un cierto número de

influencias recíprocas entre los países, corrientes y escuelas, el estudio de la

administración Pública durante el siglo xx ha estado marcado principalmente por las

tradiciones nacionales propias de cada región o país, y según su ubicación respecto al

contexto europeo o americano. Así, las preocupaciones de los pensadores del Nuevo

Mundo han estado durante muchos años enfrentadas a las que han inspirado estudios

en Europa. Incluso la aparición relativamente tardía de esta disciplina en los países de

Europa del Este (Guerrero, 1986) ha encontrado problemas particulares a cada nación,

pero que a su vez revisten un carácter común en cuanto al objeto de su análisis. A

efecto de tener pequeño panorama de los orígenes del estudio de la Administración

Pública como disciplina autónoma presentaremos a continuación una sucinta

enumeración de los hitos en la evolución de cada uno de los modelos occidentales,

teniendo como referencia a Europa Occidental, Estados Unidos y, por último, México.

Para ello conviene ubicar a los principales estudiosos de esta disciplina en los países

que mayor influencia han tenido en el estudio de la materia en México. También

incluimos al final una breve lista de los estudiosos en nuestro país.

1.2 utilidad de la ciencia administrativas en la toma de decisiones

Es el proceso mediante el cual se realiza una elección entre diferentes opciones o

formas posibles para resolver diferentes situaciones en la vida en diferentes contextos:

empresarial, laboral, económico, familiar, personal, social, etc. La toma de

decisiones consiste, básicamente, en elegir una opción entre las disponibles, a los

efectos de resolver un problema actual o potencial.

 En términos básicos, la toma de decisiones, es el proceso de definición

de problemas, recopilación de datos, generación de alternativas y selección de un

curso de acción y se define como “el proceso para identificar y solucionar un curso de

acción para resolver un problema específico”. La toma de decisiones se refiere a la

elección correcta entre diversas opciones para concretar un proyecto.

A nivel individual se caracteriza por el hecho de que una persona haga uso de

su razonamiento y pensamiento para elegir una alternativa de solución frente a un

problema determinado; es decir, si una persona tiene un problema, deberá ser capaz

de resolverlo individualmente tomando decisiones con ese específico motivo. También,

la toma de decisiones es considerada como una de las etapas de la dirección.

En la toma de decisiones importa la elección de un camino a seguir, por lo que en

un estado anterior deben evaluarse alternativas de acción. Si estas últimas no están

presentes, no existirá decisión. Para tomar una decisión, cual sea su naturaleza, es

necesario conocer, comprender y analizar un problema, para así poder darle una

solución. 

Partiendo de las definiciones de (Hellriegel, Slocum, & stoner, 2004) la toma de

decisiones es una parte importante de la labor del gerente.

Sin embargo, cuando un gerente toma una decisión o cuando el coste de buscar y

evaluar las alternativas es bajo, el modelo racional proporciona una descripción

moderadamente precisa del proceso de decisión.

Pero tales situaciones, afirma (Robbins, 1999) , son la excepción. En el ámbito

organizacional, la mayoría de las decisiones significativas se realizan mediante el juicio,

más que por un modelo prescriptivo definido.

 Dado lo anterior, a continuación, se establece una visión de cómo se toman

realmente la mayoría de las decisiones en las organizaciones, a través de la

caracterización de tres modelos de toma de decisión de acuerdo con los criterios

establecidos

(McLeod, 2000): el racional, el de racionalidad limitada y el político. La utilidad

de estos modelos reside en que ayudan a identificar la complejidad y variedad de las

situaciones para la toma de decisiones en una organización.

1.3 los diferentes tipos de modelos dentro de la ciencia administrativa.

El término ciencia de la administración se considera aun como nuevo, sin embargo

tuvo sus comienzos durante la Segunda Guerra Mundial.

Fue previo a esta guerra que un grupo de estudiosos de áreas básicas, se reúnen con

el objetivo de determinar la forma más efectiva de aplicar las fuerzas militares ya que

estas eran escasas; aun cuando este personal operativo hacía funciones de la

ciencia administrativa, se le dio el nombre de investigación de operaciones, debido a

que a lo que se dedicaban era a analizar operaciones militares.

Al término de la guerra, personal que había contribuido en la  investigación de

operaciones, se dio cuenta que sus métodos y técnicas adquiridas durante el periodo

bélico bien podrían aplicarse en la industria.

No fue hasta 1950, época en que fueron lanzadas las computadoras al mercado,

que se empezó a aplicar la investigación de operaciones en la industria.

En un principio los problemas a resolver comúnmente era lo relacionado con

el control de inventarios y los sistemas de transporte, ya que estos eran muy parecidos

a las estrategias militares. Hoy en día, la investigación de operaciones se aplica

a compras, mercadotecnia, contabilidad, planeación financiera entre otras áreas.

Aunque es Gran Bretaña quien dio inicio a los estudios de la investigación de

operaciones, es Estados Unidos quien hace grandes contribuciones al tema.

En el año (Dantzig, 1947) desarrolla el método simplex de programación lineal el

cual es aplicado a muchos problemas operativos y sirve de base para

técnicas matemáticas como la programación de metas y la programación entera.

Construcción de modelos y ciencia de la administración.

La construcción de modelos administrativos es un medio que le permite

al administrador resolver problemas en base al análisis y el estudio del problema, así

como le permitirá conocer las alternativas del hecho.

La construcción de modelos es una tarea de uso muy común, incluso la aplicamos

sin darnos cuenta; expongamos el siguiente ejemplo:

Tenemos a una persona que desea redistribuir los muebles de una sala en su casa.

El objetivo es tener una distribución que resulte atractiva pero también funcional para el

grupo de invitados a una partida de cartas por la noche.

Una de las formas de abordar el presente problemas es mentalizar las diferentes

posiciones que pudieran ocupar los muebles en el espacio determinado para la sala. A

esta forma de resolver situaciones se le conoce como MODELO MENTAL.

Claro que también se podrían mover los muebles de diferentes posiciones hasta

encontrar el ideal, ya que el modelo mental limita los movimientos reales de los

muebles, tal vez haya más elementos que acomodar en la sala que mentalmente no se

consideren, además de que la dueña de la casa podría estar omitiendo alguna forma

de acomodar los muebles.

Consideremos ahora el problema que enfrenta un administrador encargado de

diseñar una planta en una empresa manufacturera. Difícilmente este problema podría

ser resuelto mentalmente como en el caso del reacomodo de muebles. El administrador

enfrenta restricciones más importantes como la ubicación de aéreas específicas y de

equipos.

Existe una gran diferencia entre los dos planeamientos expuestos, ya que el

administrador no se puede permitir el pedirles a sus empleados el mover herramienta y

equipo 3,4 o 5 veces para ver de qué forma se utiliza mejor el espacio; sin embargo, el

administrador puede utilizar un MODELO A ESCALA donde el problema real se

representa de forma reducida mediante una estructura. (McKeown, 2007)

1.4 conceptos básicos

 Modelo Autocrático:

Fue el modelo prevaleciente en la Revolución Industrial. Este modelo depende del

poder. Quienes ocupan el mando deben poseer poder suficiente para ordenar, lo que

significa que el empleado que no cumpla ordenes será sancionado.

En un entorno autocrático la orientación apunta a la autoridad oficial formal y

la dirección cree saber que es lo mejor y está convencida que la obligación de los

empleados es cumplir órdenes, es decir que estos deben ser dirigidos, persuadidos y

empujados a alcanzar cierto nivel de desempeño y limitados a obedecer órdenes.

 Esta visión deriva en un estricto control de empleados, el modelo autocrático resulto

deleznable debido a brutales y agotadoras tareas físicas y condiciones de insalubridad,

indigencia y peligro, en estas condiciones autocráticas los empleados se dirigen a su

vez a la obediencia al jefe y no al respeto por este.

El modelo constituye un medio muy útil para el efectivo cumplimiento

del trabajo del método aceptable para la determinación del comportamiento de los

administradores. La fuerza combinada de los conocimientos sobre la necesidad de los

empleados y de los cambios que ocurren, los valores sociales, dio al reconocimiento

que existen mejores maneras de administrar los sistemas organizacionales.

 Modelo de Custodia:

Este depende de los recursos económicos, si una organización carece de recursos

suficientes para el ofrecimiento de pensiones y el pago de otras prestaciones le será

imposible adoptar este modelo. Entonces el enfoque de custodia da como resultado la

dependencia de los empleados respecto a la organización. En lugar de depender de su

jefe los empleados dependen de las organizaciones.

Los empleados que laboran en entornos de custodia adquieren una preocupación

psicológica por sus retribuciones y prestaciones económicas. Como resultado del trato

que reciben, tienden a mostrase satisfechos y por lo tanto mantenerse leales a

sus empresas.

 Modelo de Apoyo:
 El modelo de apoyo depende del liderazgo en lugar del poder y el dinero. A través

del liderazgo la empresa ofrece un ambiente que ayuda a los empleados a crecer y

cumplir a favor de la organización aquello de lo que son capaces. En consecuencia la

orientación de la dirección apunta al apoyo del desempeño laboral de los empleados no

al simple apoyo de las prestaciones a los empleados.

El resultado psicológico es una sensación de participación e involucramiento en las

tareas de organización, éste forma parte del estilo de vida de trabajo de los

administradores y en particular de su modo de tratar a los demás. El modelo de apoyo

es eficaz tanto para empleados como para administradores y goza aceptación

generalizada.

 Modelo Colegial:

El término colegial alude a un grupo de personas con propósito común, tienden a

ser más útil en condiciones de trabajo de lo programado, medios intelectuales, y

circunstancias que permiten un amplio margen de maniobra de las labores.

Este depende de la generación por parte de la dirección de una sensación de

compañerismo con los empleados, el resultado es que estos se sienten útiles y

necesarios. Les resultaba fácil aceptar y respetar el papel de estos en la organización.

En vez de ser vistos como jefes, se consideraban a los administradores como

colaboradores.

Con esto se persigue crear un estricto de mutualidad en el que cada  persona realice

sus propias contribuciones y aprecie la de los demás. La orientación se dirigió al trabajo

en equipo y la respuesta de los empleados es la responsabilidad y sienten a sí mismo

la obligación de cumplir normas de calidad que signifiquen un reconocimiento tanto

para su labor como para la compañía. El resultado psicológico del modelo colegial en

los empleados es la autodisciplina.

1.5 formulación de modelos

En esta unidad presentamos el modelo de Programación Lineal y sus

Características. Antes, trataremos algunos aspectos que servirán de marco para

nuestro estudio, como son el concepto de modelo y sistema. Dentro de este marco

enfocará un caso práctico de estudio, su modelaje y solución. El ejemplo que se

Expondrá está basado en un modelo muy conocido en la Programación Lineal como es

el de distribución o transporte de mercancías.

Sistema: es una combinación de componentes que actúan conjuntamente y

Cumplen objetivo. Un sistema no es limitado a los objetivos físicos; el concepto de

sistema puede ser aplicado a fenómenos abstractos y dinámicos. (Mazzei, 2001)

Modelo: es la representación simplificada y en cierta forma idealizada de un sistema

del mundo real, con el propósito de estudiarla. En investigación de Operaciones se

tratan modelos abstractos. Los modelos envuelven un conjunto de Relaciones

matemáticas, cuentos como igualdades, desigualdades y relaciones Lógicas, los cuales

emulan las relaciones en el mundo real, sobre la base de las leyes Físicas, químicas y

tecnológicas.
 Formulación de un modelo: es la representación del modelo Empleando un código

lógico-matemático, para describir las relaciones entre sus elementos.

Las características esenciales de un buen modelo hijo: sencillez, confiabilidad

Formulación de Modelos de Programación Lineal (Mazzei, 2001)

1.6 Método gráfico

Concepto

(ramirez, 2013) el método gráfico es un procedimiento que nos proporciona solución

a programas lineales con la condición, de que se encuentre con dos variables o tres

como máximo.

Conclusión:

(ramirez, 2013) el procedimiento consta de los siguientes pasos:

En conclusión, el procedimiento consiste en trazar las ecuaciones de las

restricciones en un eje de coordenadas X1, X2.

Para tratar de identificar el área de soluciones factibles.

La solución óptima del problema se encuentra en uno de los vértices de esta área

de soluciones creada, por lo que se buscará en estos datos el valor mínimo o máximo

del problema.
 Paso 1: traza un sistema de ejes de coordenadas cuya escala este de acorde a las

cantidades que maneja X1 y X2.

Paso 2: traza las rectas que definan al conjunto de restricciones, recomendándose

usar el método de intersecciones (no siempre es posible).

Paso 3: Evaluar el área que define a las posibles soluciones en función de las

desigualdades o igualdades que tiene cada restricción, a esto se le llama polígono de

soluciones.

Paso 4: Usando la función objetivo evaluar los vértices del polígono de colusiones y

solucionar aquel punto que la optimice.

Método Simplex

(Mohammed, 2010) “El método simplex cuya gran virtud es su sencillez, es un

método muy práctico, ya que solo trabaja con los coeficientes de la función objetivo y

de las restricciones.”

¿Qué es?

se conoce como un método analítico dedicado a solucionar los problemas que

tengan lugar dentro de la programación lineal. De este modo, cuenta con la habilidad

de resolver los modelos más complicados que los resueltos a través del método

gráfico.
 Se trata de una metodología iterativa, que facilita la mejora de las soluciones

durante cada paso, gracias a un factor matemático.

¿Cómo funciona?

se resume a un proceso general aplicado en la resolución de problemas

relacionados con la programación lineal.

Fue creado por (Dantzing, 1947)y tiempo después, fue comprobada su inigualable

eficacia. Como resultado, se aplicaron de manera rutinaria con el fin de resolver

problemas de gran magnitud presentes en los ordenadores.

A pesar de ser un método que cuenta con un procedimiento algebraico, los

conceptos de SIMPLEX originalmente son geométricos. Por lo tanto, al comprender las

definiciones geométricas que nos brinda, se puede generar una acertada intuición de la

manera en que este método trabaja tan eficientemente. Para ello, se implementa con

un procedimiento interactivo; es decir, se aplica de manera sucesiva la misma rutina de

cálculo, lo que genera por resultado una amplia variedad de soluciones sucesivas. Esto

hasta que se encuentre el mejor resultado. De hecho, una característica elemental de

SIMPLEX es que el último resultado obtenido genera una aportación tan grande que

permite dar seguridad a las compañías de que han obtenido una respuesta óptima,

finalmente.

Beneficios y desventajas

Se trata de una opción viable y eficaz para el sector empresarial, por lo que vale la

pena destacar ciertos beneficios de su implementación:

 Se trata de una metodología heurística, la cual tiene como base los conceptos

geométricos, por lo que no requiere de la utilización de derivadas provenientes de la

función objetivo.

Su implementación genera una gran eficiencia en muchos procesos, ya que puede

ajustar a la perfección un extenso número de parámetros.

Se puede usar con funciones objetivo muy ondulante, pues durante las primeras

iteraciones, SIMPLEX evita caer en los mínimos locales con facilidad.

Es fácil de aplicar y usar, independientemente del tipo de empresa. Sin embargo, el

método SIMPLEX presenta una serie de desventajas necesarias de considerar:

¿Importancia?

SIMPLEX facilita la localización eficiente y eficaz de una solución, ubicado entre los

extremos de un problema de la programación lineal. De modo que, la gran ventaja de

este método es práctica y sencilla, pues solo trabaja con los coeficientes de acuerdo a

las restricciones y su función objetivo. es sumamente importante en el sector

empresarial, porque actúa como una herramienta para ofrecer soluciones a los

problemas relacionados con pérdidas, inventario y ganancias. Con esta metodología,

es posible visualizar cuánto se debe comprar, producir y vender, según sea el caso.

Esto con la finalidad de que la compañía obtenga las ganancias suficientes para

posicionarse y competir en el mercado. es conveniente afirmar que el método

SIMPLEX presenta una excelente opción para las industrias y empresas especializadas

en el sector del transporte, específicamente en el área de inventarios. Por lo tanto, se

aplica para encontrar la mejor solución a esta clase problemas mediante

procedimientos iterativos, donde se van desechando posibles soluciones o resultados

no viables y, en cada paso, se realiza una evaluación de estudio para determinar si el

resultado obtenido es óptimo o no.

Para ello, se divide en las siguientes etapas: El planteamiento del Problema: Donde

se identifican las variables y se ofrece una definición de lo que sería la función del

objetivo y sistema.

Conversión de las desigualdades: Esto con el fin de crear igualdades. Se realiza la

igualación 0 de la función objetivo.

La escritura de la tabla inicial SIMPLEX: Aquí se agregan las variables del problema

en las columnas. Por su parte en la una de las filas se agrega cada grupo de

coeficientes de cada restricción y en la otra, se añaden los coeficientes de la función

objetivo

Se determinan los coeficientes y variables. Con esto, las empresas pueden esperar

resultados satisfactorios producto de la implementación de dicho método.

Para resumir este procedimiento, se podría decir que: El método SIMPLEX se

encarga de establecer una solución inicial y factible.

Luego, define una variable de entrada al aplicar la condición de factibilidad. En esta

situación, el algoritmo se puede detener para no que exista una variable de entrada.

Durante este paso, es seleccionada una variable de salida al emplear lo que se conoce

como condición de factibilidad.

 Se establecen las nuevas soluciones viables y básicas mediante la aplicación de

cálculos apropiados. Esto es posible por medio del método (Gauss-Jordán.)

Método de M'S.

La tecnología de la cromatografía líquida – espectrometría de masas (LC/MS) abre

una nueva perspectiva para los análisis espectro métrico eficiente en laboratorios de

rutina, para la gran mayoría de las muestras. Esta técnica, que en muchos casos utiliza

detectores espectrométricos multi-masas, puede ser utilizada potencialmente, para

medir un amplio de rango de analitos, sin limitaciones de masa molecular, con una

preparación de la muestra en forma simple, sin necesidad de una derivatización

química, y debido a la robustez de los instrumentos, un mantenimiento limitado. Así, la

cromatografía líquida/espectrometría de masas (LC/MS), y particularmente la LC

acoplada a espectrómetros de masa en tándem (LC/MS/MS), se volvieron muy

populares en el análisis de micotoxinas. Recientemente, se ha descrito y validado un

método de cromatografía líquida/espectrometría de masas en tándem para 39

micotoxinas en trigo y maíz; los analitos determinados fueron: tricotecenos de grupo A

y B y sus metabolitos, zearalenona y sus derivados, fumo nisinas, amiantinas,

alcaloides del ergot, ocratoxinas, aflatoxinas y moniliformina.1 El desarrollo de métodos

LC/MS para la determinación de micotoxinas, tiene determinadas limitaciones, por la

diversidad química de los analitos, y la complejidad de las condiciones para la

preparación de las muestras.1 Considerando el amplio rango de polaridades de los

analitos que pueden someterse a una detección tan sensible como la del MS/MS,

puede percibirse erróneamente que las interferencias de las matrices pueden

eliminarse efectivamente y se pueden obtener resultados cuantitativos con poca o

ninguna limpieza de la muestra y una pequeña separación cromatográfica.

Desafortunadamente, los componentes propios de la matriz presentes en el extracto

pueden influir en la eficiencia de la ionización del analito en forma positiva o

negativa, perjudicando la repetibilidad y exactitud de la técnica analítica.1 Como

consecuencia, solo unos pocos abordajes describen una inyección exitosa de extractos

crudos, y la mayoría de las publicaciones describen una limpieza o purificación de la

muestra, previa a la inyección al cromatógrafo líquido, con extracción en fase sólida

(SPE) como el procedimiento más eficiente, y en particular la utilización de columnas

Mycosep como la manera más directa y eficaz.

(Sulyok, 2006)El acoplamiento directo entre una técnica de separación en fase

líquida como la cromatografía líquida y la espectrometría de masa, ha sido reconocido

como una poderosa herramienta para análisis de mezclas de gran complejidad.

Las principales ventajas incluyen bajos límites de detección, la posibilidad de

generar información estructural, los requerimientos mínimos de preparación de las

muestras y la posibilidad de cubrir un amplio rango de analitos de polaridades

diferentes. Dependiendo de la interfase técnica aplicada, un gran número de

compuestos orgánicos pueden ser detectados y pueden manejarse flujos de hasta 1,5

ml/min. A pesar de su alta sensibilidad y selectividad, los instrumentos LC/MS/MS se

ven limitados, debido diferencias inducidas por las matrices, en la eficiencia de la

ionización y la intensidad de la señal entre los calibrantes y los analitos, la

supresión/realce de los iones debido a los componentes de las matrices, que ingresan

al espectrómetro de masas conjuntamente con los

Analitos, limitan incluso la robustez y exactitud y son fuentes potenciales de errores

sistemáticos. Los patrones internos marcados con isótopos estables, suministran una

solución a estos problemas, así como también compensan las fluctuaciones debido a la

preparación de la muestra

Es decir en la extracción y la limpieza. Numerosos métodos de LC/MS/MS para la

determinación de micotoxinas se han desarrollado y publicado en estos últimos años,

sin embargo, solamente hay unos pocos basados en analitos marcados con isótopos

estables, principalmente debido a su limitada disponibilidad y calidad. Sólo

recientemente, se han introducido micotoxinas marcadas completamente con [13C],

abriendo así un amplio campo de aplicaciones y mejoras en el análisis de micotoxinas.

Por lo tanto, el desarrollo en particular de métodos unificados multi-toxinas apropiados

para la determinación de varias combinaciones analitos/matrices, se vuelve un desafío

para el futuro.

1.9. Soluciones no factibles e ilimitadas.

Los modelos PL con restricciones inconsistentes no tienen una solución factible.

Esta situación no ocurre si todas las restricciones son del tipo ≤ con lados derechos no

negativos porque las holguras proporcionan una solución factible obvia. Para otros

tipos de restricciones, se utilizan variables artificiales penalizadas para iniciar la

solución. Si al menos una variable artificial es positiva en la iteración óptima, entonces

la PL no tiene una solución factible. Desde el punto de vista práctico, un espacio no

factible apunta hacia la posibilidad de que el modelo se formuló de manera incorrecta.

 Aplicando la

penalización M 5 100

para la variable artificial R, la siguiente tabla proporciona la iteración simplex del

modelo.

La iteración óptima 1 muestra que la variable artificial R es positiva (= 4), es decir

que la PL es no factible. La figura 3.11 ilustra el espacio de soluciones no factibles. Al

permitir que la variable artificial sea positiva, el método simplex de hecho ha invertido la

dirección de la desigualdad de 3x1 1 4x2 $ 12 a 3x1 1 4x2 # 12 (¿puede explicar

cómo?). El resultado es lo que podemos llamar una solución seudo óptima.

1.10. Soluciones de generada.

Cuando se presenta un empate el cálculo de la condición de factibilidad del Método

Simplex, al menos una variable básica será cero en la siguiente iteración, caso en el

cual se dice que la nueva solución es degenerada. Esto implica que el modelo tiene al

menos una restricción redundante.

 Al aplicar la condición de factibilidad del método simplex, se puede presentar un

empate por la relación mínima, el cual puede romperse arbitrariamente. Cuando esto

sucede, al menos una variable básica será cero en la siguiente iteración, y se dice que

la nueva solución está degenerada.

La degeneración puede hacer que las iteraciones simplex ocurran de forma

indefinida en ciclos, y que el algoritmo nunca se termine. La condición también revela

que el modelo tiene por lo menos una restricción redundante

En virtud de que las ramificaciones de la característica de degeneración son dignas

de mención, detengámonos un poco para definir formalmente este concepto. Un vértice

como el II en el cual el número de variables positivas es menor que el número de

restricciones, se conoce como vértice degenerado.2 Todos los vértices restantes, I, III,

IV y V, en los cuales el número de variables positivas es exactamente igual al número

de restricciones, se conocen como vértices no degenerados. Si la solución óptima para

un PL tiene menos de m variables positivas, se dice que se trata de una solución

degenerada, porque se presenta en un vértice degenerado.

En forma análoga, una solución que tiene exactamente m variables positivas se

conoce como solución no degenerada.

Ahora nos hemos familiarizado con el modelo de PL optimizado por Solver, es decir,

el modelo con restricciones de igualdad. Hemos visto una propiedad importante de este

modelo: cualquier solución óptima producida por Solver tendrá a lo sumo m variables

positivas (si tiene exactamente m, significa que es no degenerada), donde m es el

número de restricciones del modelo; y también hemos aprendido que la interpretación

correcta del Informe de sensibilidad de Solver requiere conocer si la solución óptima es

degenerada o no. Examinemos ahora el Informe de sensibilidad de Solver.

1.11. Soluciones múltiples.

Un problema de PL puede tener una cantidad infinita de óptimos alternativos cuando

la función objetivo es paralela a una restricción obligatoria no redundante (es decir, una

restricción que se satisface como una ecuación en la solución óptima)

Se mencionó que un problema puede tener más de una solución óptima. Este hecho

se ejemplificó en la fi gura 3.5 cuando se cambió la función objetivo del problema de la

Wyndor Glass Co. a Z 5 3x1 1 2x2, de lo que resultó que todos los puntos sobre el

segmento de recta entre (2, 6) y (4, 3) eran óptimos. En consecuencia, todas las

soluciones óptimas son un promedio ponderado de estas dos soluciones FEV óptimas

Como una solución óptima.

 En general, cualquier promedio ponderado de dos o más soluciones (vectores)

donde los pesos son no negativos y suman 1 se llama combinación convexa de estas

soluciones. Entonces, toda solución óptima del ejemplo es una combinación convexa

de (2, 6) y (4, 3).

Este ejemplo es representativo de problemas con soluciones óptimas múltiples.

Como se indica al final de la sección 3.2, cualquier problema de programación lineal

con soluciones óptimas múltiples (y una región factible acotada) tiene al menos dos s

soluciones FEV que son óptimas. Toda solución óptima es una combinación convexa

de estas soluciones FEV óptimas.

En consecuencia, en la forma aumentada, toda solución óptima es una combinación

convexa de las soluciones BF óptimas.

El método simplex se detiene en forma automática cuando encuentra una solución

BF óptima.

Sin embargo, en muchas aplicaciones de programación lineal existen factores

intangibles que no se incorporan al modelo y que pueden ser útiles para tomar

decisiones significativas entre las soluciones óptimas alternativas. En esos casos,

deben identificarse las otras soluciones óptimas. Como se indicó, esto requiere

encontrar todas las otras soluciones BF óptimas, y entonces toda solución óptima es

una combinación convexa de las soluciones BF óptimas.

1.12. Dualidad
 Uno de los descubrimientos más importantes durante el desarrollo inicial de la

programación lineal fue el concepto de dualidad y sus importantes ramificaciones. Este

descubrimiento reveló que, asociado a todo problema de programación lineal, existe

otro problema lineal llamado dual. Desde distintos puntos de vista las relaciones entre

el problema dual y el original (llamado primal) son muy útiles.

Por ejemplo, se verá que, en realidad, la solución óptima del problema dual es la

que proporciona los precios sombra que se describieron.

Una de las aplicaciones más importantes de esta teoría es la interpretación y

realización del análisis de sensibilidad. El análisis de sensibilidad es una parte esencial

de casi todos los estudios de programación lineal. Debido a que la mayoría de los

valores de los parámetros que se emplean en el modelo original son sólo estimaciones

de las condiciones futuras, es necesario investigar el efecto que tendrían sobre la

solución óptima en caso de que prevalecieran otras condiciones. Aún más, ciertos

valores de estos parámetros (como la cantidad de recursos) pueden representar

decisiones administrativas, en cuyo caso su elección debe ser el aspecto principal de la

investigación, el cual se puede estudiar a través del análisis de sensibilidad.

Para lograr una mayor claridad, en las tres primeras secciones se presenta la teoría

de dualidad bajo el supuesto de que el problema primal de programación lineal se

presenta en nuestra forma estándar (pero sin la restricción de que los valores de deban

ser positivos).

Teorema de la dualidad: Las siguientes son las únicas relaciones posibles entre los

Problemas primal y dual.

 1. Si un problema tiene soluciones factibles y una función objetivo acotada (y, por

ende, una solución óptima), entonces ocurre lo mismo con el otro problema, de manera

que se aplican tanto la propiedad de dualidad débil como la fuerte.

2. Si uno de los problemas tiene soluciones factibles y una función objetivo no

acotada (es decir, no tiene solución óptima), entonces el otro problema no tiene

soluciones factibles.

3. Si un problema no tiene soluciones factibles, entonces el otro problema no tiene

soluciones factibles o bien la función objetivo es no acotada.

Como se describe en ésta y las dos secciones siguientes, el análisis de sensibilidad

consiste, en esencia, en la investigación del efecto que tiene sobre la solución óptima el

hecho de hacer cambios en los valores de los parámetros del modelo aij, bi y cj. Sin

embargo, al cambiar los valores de los parámetros en el problema primal se cambian

también los valores correspondientes en el problema dual. Por tanto, se puede elegir

qué problema se va a usar para investigar cada cambio.

Gracias a las relaciones primal-dual que se presentaron (en especial la propiedad

de soluciones básicas complementarias), es fácil ir de un problema a otro según se

desee. En algunos casos es más conveniente analizar el problema dual en forma

directa con objeto de determinar el efecto complementario sobre el problema primal. Se

comenzará por considerar dos de estos casos.

MÉTODO SIMPLEX DUAL

La solución de un problema dual permite obtener interesantes resultados, relativo al

análisis de sensibilidad de los términos independientes. Más concretamente, para los

rangos de los términos independientes para los que se mantiene la base óptima, la

solución dual nos permite conocer el precio sombra de la restricción

Que será la variación de la función objetivo por unidad incrementada del término

independiente de la restricción.

1.13. Relación entre el modelo primo y el modelo dual.

Asociado a cada problema lineal existe otro problema de programación lineal

denominado problema dual (PD), que posee importantes propiedades y relaciones

notables con respecto al problema lineal original, problema que para diferencia del dual

se denomina entonces como problema primal (PP).

Las relaciones las podemos enumerar como siguen:

A) El problema dual tiene tantas variables como restricciones tiene el programa

primal.

B) El problema dual tiene tantas restricciones como variables tiene el programa

primal

C) Los coeficientes de la función objetivo del problema dual son los términos

independientes de las restricciones o RHS del programa primal.

D) Los términos independientes de las restricciones o RHS del dual son los

coeficientes de la función objetivo del problema primal.

E) La matriz de coeficientes técnicos del problema dual es la traspuesta de la matriz

técnica del problema primal.

 F) El sentido de las desigualdades de las restricciones del problema dual y el signo

de las variables del mismo problema, dependen de la forma de que tenga el signo de

las variables del problema primal y del sentido de las restricciones del mismo problema.

G) Si el programa primal es un problema de maximización, el programa dual es un

problema de minimización.

H) El problema dual de un problema dual es el programa primal original.

Tabla de TUCKER

Maximización Minimización

≤ ≥

Restricciones ≥ ≤ Variables

= ><

≥ ≥

Variables ≤ ≤ Restricciones

>< =

Los problemas duales simétricos son los que se obtienen de un problema primal en

forma canónica y ‘normalizada’, es decir, cuando llevan asociadas desigualdades de la

forma mayor o igual en los problemas de minimización, y desigualdades menores o

igual para los problemas de maximización. Es decir, si el problema original es de la

siguiente forma:

Máx. Z(x) = ct
X

s.a:

Ax≤b

x≥0

El problema dual (dual simétrico) es:

Mín G (λ) = λ b

s.a:

λA≥c

λ≥0

Los restantes tipos de combinaciones de problemas, se conocen con el nombre de

duales asimétricos. Como por ejemplo:

Máx Z(x) = ct

s.a:

Ax=b

X≥0

El problema dual (dual asimétrico) es:

Mín G(λ) = λ b

s.a:
λA≥c

λ >< 0, es decir, variables libres.

1.14. Análisis de sensibilidad.

En PL, los parámetros (datos de entrada) del modelo pueden cambiar dentro de

ciertos límites sin que cambie la solución óptima. Esto se conoce como análisis de

sensibilidad y será el tema de esta sección. Más adelante, en el capítulo 4

estudiaremos el análisis post óptimo, el cual tiene que ver con la determinación de la

nueva solución óptima cuando se cambian ciertos datos de entrada. La presentación

explica las ideas básicas del análisis de sensibilidad por medio de la solución gráfica, y

después se extienden al problema general de PL con base en los resultados que

aparecen en la tabla simplex.

Esta sección demuestra la idea general del análisis de sensibilidad. Se considerarán

dos casos:

1. La sensibilidad de la solución óptima a los cambios de la disponibilidad de los

recursos (lado derecho de las restricciones).

2. La sensibilidad de la solución óptima a los cambios en la utilidad unitaria o el

costo unitario (coeficientes de la función objetivo). Utilizaremos ejemplos individuales

para explicar los dos casos

Análisis de sensibilidad algebraica. Cambios en el lado derecho

 En la sección 3.6.1, utilizamos la solución gráfica para determinar el precio dual

(valor unitario de un recurso) y sus intervalos de factibilidad. Esta sección amplía el

análisis al modelo de PL general. Se utilizará un ejemplo numérico (el modelo de

TOYCO) para facilitar la presentación.

Análisis de sensibilidad algebraica. Función objetivo En la sección 3.6.1 utilizamos el

análisis de sensibilidad gráfica para determinar las condiciones que mantendrán la

optimalidad de la solución de una PL de dos variables. En esta sección extendemos

estas ideas al problema de programación lineal general. Definición de costo reducido.

Para facilitar la explicación del análisis de sensibilidad de la función objetivo, primero

tenemos que definir los costos reducidos. En el modelo de TOYCO (ejemplo 3.6-2), la

ecuación z objetivo que aparece en la tabla óptima puede escribirse como La solución

óptima no produce trenes de juguete (x1 5 0). La razón se pone de manifiesto en la

ecuación z, donde un incremento unitario en x1 (sobre su valor de cero actual) reduce a

z en $4, es decir, z 5 1350 2 4 3 (1) 2 1 3 (0) 2 2 3 (0) 5 $1346. Podemos considerar el

coeficiente de x1 en la ecuación z (5 4) como un costo unitario porque reduce el

ingreso z. Pero ¿de dónde proviene este “costo”?

Sabemos que el ingreso por unidad de x1 es de $3 (según el modelo original).

También sabemos que la producción de trenes de juguete incurre en un costo porque

consume recursos (tiempo de operaciones). Por consiguiente, desde el punto de vista

de la optimización, el “atractivo” de x1 depende del costo de los recursos consumidos

con respecto al ingreso.

Esta relación define el llamado costo reducido y se formaliza en la literatura de PL

como a Costo reducido Costo de los recursos Ingreso por unidad = a consumidos por
unidad - oportunidad z = 1350 - 4x1 - x4 - 2x5 x1 + x2 Ú 0 x1 + 2x2 … 6 2x1 + x2 … 6

Maximizar z = x1 + x2 Para apreciar la importancia de esta definición, en el modelo

original de TOYCO el ingreso por unidad de camiones de juguete (5 $2) es menor que

el de trenes de juguete (5 $3).

No obstante la solución óptima recomienda producir camiones de juguete (x2 5 100

unidades) y nada de trenes (x1 5 0). La razón es que el costo de los recursos

consumidos por un camión de juguete (es decir, tiempo de operaciones) es menor que

su precio unitario; al contrario de lo que sucede en el caso de los trenes de juguete.124

Capítulo 3 Método simplex y análisis de sensibilidad Con la definición dada de costo

reducido, podemos ver que una variable no rentable (como x1) puede hacerse rentable

de dos maneras:

1. Incrementando el ingreso unitario. 2. Reduciendo el costo unitario de los recursos

consumidos. En la mayoría de las situaciones, las condiciones del mercado dictan el

precio por unidad y puede ser difícil incrementarlo a voluntad. Por otra parte, una

opción más viable es reducir el consumo de recursos porque el fabricante puede

reducir el costo si hace que el proceso de producción sea más eficiente.

1.15. Formulación del problema.

Esta es quizás la fase más delicada del proceso ya que supone establecer una

definición clara y precisa del problema al que nos enfrentamos. En esta etapa del

estudio juega un papel fundamental el cliente que nos ha planteado el problema. En

general, suelen ser necesarias varias reuniones en las que poco a poco podamos ir

definiendo claramente cuáles son las alternativas de decisión (variables), el objetivo

que nos permite valorar las distintas Alternativas, y las restricciones o limitaciones a las

que nos enfrentamos.

La formulación inicial del problema debe revisarse continuamente a la vista de los

resultados obtenidos en el resto de las etapas.

No podemos

perder de vista el

hecho de que un

problema mal

definido puede

conducir a una solución absurda echando así por la borda todo el trabajo realizado.

1.16 Relación entre el modelo de programación lineal y el modelo de transporte

Comenzaremos por establecer la terminología y notación básicas. La primera

columna de la tabla 3.2 resume los componentes del problema de la Wyndor Glass Co.

La segunda introduce términos más generales de estos componentes, que se ajustarán

a
muchos problemas de programación lineal. Los términos clave son recursos y

actividades en los que m denota el número de tipos de recursos que se pueden usar y

n el número de actividades que se consideran. La determinación de esta asignación

implica elegir los niveles de las actividades que lograrán el mejor valor posible de la

medida global de desempeño. Ciertos símbolos se usan de manera convencional para

denotar los diversos componentes de un modelo de programación lineal. Estos

símbolos se enumeran a continuación, junto con su interpretación para el problema

general de asignación de recursos a actividades

El modelo plantea el problema en términos de tomar decisiones sobre los niveles de

las actividades, por lo que x1, x2, . n se llaman variables de decisión.

El método del transporte es una aplicación singular de la programación lineal cuyo

objetivo es determinar el esquema de transporte que minimice el coste total de este,

conocidos los costes unitarios desde el origen i hasta el destino j. Además, se sabe que

el producto está disponible en una determinada cantidad b i en cada uno de los m

orígenes, y es necesario que sea llevado a cada uno de los destinos posibles en una

cantidad demandada.

El objetivo general es encontrar el mejor plan de distribución, es decir, la cantidad

que se debe enviar por cada una de las rutas desde los puntos de suministro hasta los

puntos de demanda.

El “mejor plan” es aquel que minimiza los costos totales de envío, produzca la mayor

ganancia u optimice algún objetivo corporativo. Se debe contar con:

i) Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.

ii) Costo de transporte unitario de mercadería desde cada fuente a cada destino.
También es necesario satisfacer ciertas restricciones:

1. No enviar más de la capacidad especificada desde cada punto de suministro

(oferta).

2. Enviar bienes solamente por

las rutas válidas.

3. Cumplir (o exceder) los

requerimientos de bienes en los

puntos de demanda.

Gráficamente: Para m fuentes y n destinos

Esquemáticamente se podría ver como se muestra en la siguiente figura

Donde:

Xij: cantidad transportada desde la fuente i al destino j

Cij: Costo del transporte unitario desde la fuente i al destino j

Modelo general de PL que representa al modelo de Transporte

 El modelo implica que al menos la oferta debe ser igual a la demanda.

Modelo general de PL que representa al modelo de Transporte:

1.17 solución inicial en equilibrio

Un modelo de transporte general con m orígenes y n destinos tiene m + n

ecuaciones de restricción, una por cada origen y cada destino. Sin embargo, como el

modelo de transporte siempre está balanceado (suma de la oferta = suma de la

demanda) una de las ecuaciones es redundante, por lo que el modelo se reduce a m +

n - 1 ecuaciones independientes y m + n -1 variables básicas. En el ejemplo 5.3-1, la

solución inicial tiene 3 + 4 - 1 = 6 variables básicas.

1.18 solución inicial con demanda diferente de oferta

El caso en que la oferta excede a la demanda. Se utiliza un destino ficticio en la tabla de

transporte. Se considera como nulo el costo de enviar una unidad a dicho destino desde cada

una de las fuentes (orígenes).

 Si la demanda es mayor que la oferta el problema no tiene solución factible, sin embargo el

administrador podría abastecer toda la demanda que sea posible a un costo mínimo.

Se utiliza un origen ficticio. El costo de abastecer cualquier destino desde dicho origen será

cero. Sin embargo podría haber un cargo por orden no cubierta.

1.19 determinación de la solución óptica

Un problema de transporte surge cuando se necesita un modelo costo-efectividad

que permita transportar ciertos

bienes desde un lugar de origen a un

destino que necesita aquellos bienes, con

ciertas restricciones en la cantidad que se

puede transportar.

El PT es un caso particular de la PL

Se debe determinar un esquema óptimo de transporte que se origina en los lugares

de oferta donde la existencia de cierta mercancía es conocida, y llega a los lugares de

donde se conoce la cantidad requerida. El costo de cada envió es proporcional a la

cantidad transportada y, el costo total es la suma de los costos individuales.

Una solución al PT queda definido por un

conjunto de mxn número Xij, donde:

Xij : Número de unidades a enviar desde el origen i al destino j

Siendo Xij ≥ 0

El programa lineal del Problema del transporte queda expresado de la siguiente

manera:

Sujeto:
DEFINICIÓN DEL PROBLEMA

- Se tienen m lugares de origen. Cada lugar de origen tiene una capacidad de

producción Si

- Se tienen n destinos. Cada destino j demanda Dj

- Objetivo: Minimizar el costo de transporte de la carga al lugar de destino

cumpliendo con las restricciones de

los lugares de origen.

El modelo de transporte tiene notable interés por sus importantes aplicaciones que,

como se verá en varios ejercicios, no se restringe únicamente a la distribución de

mercancías.

Su procedimiento específico de solución, llamado algoritmo de transporte consta de

dos fases y es rápido y eficiente. La primera fase consiste en obtener una solución

factible inicial. Se pasa después a la segunda fase, en la que se comprueba si la

solución obtenida en la primera fase es óptima, y si no lo es, como mejorarla.

EL PROBLEMA DE TRANSPORTE

- Corresponde a un problema de flujo de mínimo costo

- Supongamos que deseamos enviar productos desde las bodegas a los lugares

de venta

Ejemplo:
  3 bodegas

 4 puntos de venta

 ai: oferta en bodega i

 bj: demanda de vendedor j

 cij: costo de envio de i a j

 Sea xij la cantidad enviada de i a j

 Formule el LP

EL PROBLEMA DE TRANSPORTE

En general, la formulación es: Min

1.20 determinación de una mejor si no hay óptica

Se trata de desarrollar la Fase C del algoritmo de transporte una vez finalizada la

Fase B, que ha proporcionado una solución básica factible no degenerada. Esta fase

trata de determinar si dicha solución es óptima y, en caso de no serlo, obtener una

nueva solución con menor coste que la solución actual. Una solución óptima puede ser
degenerada, pero no puede serlo la solución a partir de la cual se vaya a obtener otra

mejor.

Si la solución básica obtenida no es óptima, la mejora es posible y ésta se puede

llevar a cabo mediante diferentes métodos, entre los que cabe citar el método de

STEPPING-STONE, el método MODI (Modified-DistributionMethod llamado método u-

v), el método de Ford-Fulkerson, el método de Separación en Estrella de B. Zimmern,

el método de las Matrices Reducidas de Dwyer y Galler, el método de A. N. Gleyzal y el

método gráfico de M. L. Vidale.

El algoritmo de Stepping-Stone conocido también con el nombre del método del

paso a paso, consiste en calcular cuál sería la variación del coste al enviar una unidad

de producto por una ruta no utilizada, es decir, calcula los costes marginales de cada

ruta no utilizada.

El algoritmo MODI conocido como el método de los costes ficticios, consiste en

añadir a la matriz de costes una fila y una columna que recogen unos costes ficticios

determinados arbitrariamente (los números MODI)

Tal que permite calcular los índices de mejora para las celdas (casillas) no utilizadas

sin tener que trazar todos los circuitos (ciclos) que requiere el algoritmo de Stepping-

Stone. En general, supone ahorros en tiempo respecto a la utilización del algoritmo de

Stepping-Stone en la resolución de problemas de transporte,

 Debido a su rapidez y el fácil

tratamiento de las soluciones

degeneradas. El método MODI o u-v

utiliza el dual del problema de transporte y viene dado por:

Para aplicar el algoritmo correspondiente a este método, se introducen los llamados

números MODI, definidos así:

Ri = –uj (número MODI correspondiente a la fila i-ésima)

Kj = –vj (número MODI correspondiente a la columna j-ésima)

Estos valores se sitúan en sus respectivas filas y columnas a la derecha y en la

parte inferior de la tabla de transporte. El valor indicador αij de cada variable xij es: αij =

Rj + Kj + cij

1.21 degeneración
 Se dice que una solución básica en programación lineal es degenerada cuando

tiene menos variables positivas que el número de restricciones existentes en el

problema. En los programas lineales de transporte se presenta con alguna frecuencia

el problema de la degeneración. En el problema de transporte simple existen (m+n-1)

restricciones independientes.

La degeneración se presentará cuando en una solución básica el número de

posiciones localizadas o rutas utilizadas sea menor que (m+n-1). Una solución óptima

puede ser degenerada, es decir, cuando el número de posiciones localizadas es menor

que (m+n-1). Sin embargo, para comprobar si la solución actual es o no óptima y en su

caso mejorarla, es necesario que sea no degenerada.

La consecuencia de la degeneración es que los métodos paso a paso, costes

indirectos, MODI, no se pueden aplicar. A fin de evitar los inconvenientes que presenta

la degeneración y poder aplicar los métodos paso a paso y MODI, existen diferentes

métodos para el tratamiento de las soluciones degeneradas, entre los que cabe indicar:

el método de los ceros, el método de la ἐ-perturbación y el método de la base parcial

de Madan Lal Mittal. El método de la ἐ-perturbación consiste en asignar

convenientemente el valor (supuesto que es una cantidad próxima a cero) a posiciones

no localizadas hasta conseguir (m+n-1) posiciones localizadas. Para ello es necesario

introducir el concepto de ciclo en una tabla de transporte que se construye de acuerdo

con un algoritmo determinado.

Una propiedad importante es que "siempre es posible construir un ciclo a partir de

una solución básica factible". Esto permite obtener siempre una solución no

degenerada de una degenerada, lo cual permite entrar en la fase C

1.22 soluciones alternas

En esta sección presentamos los detalles para resolver el modelo de transporte.

TECNICA DE TRANSPORTE.

Los pasos básicos de la técnica de transporte son:

Paso 1: determínese una solución factible.

Paso 2: determínese la variable que entra, que se elige entre las variables no

básicas. Si todas estas variables satisfacen la condición de optimidad (del método

simplex), deténgase; de lo contrario, diríjase al paso 3.

Paso 3: determínese la variable que sale (mediante el uso de la condición de

factibilidad) de entre las variables de la solución básica actual; después obténgase la

nueva solución básica. Regrese al paso 2.

OBTENCIÓN DE SOLUCIONES BÁSICAS FACTIBLES PARA PROBLEMAS DE

TRANSPORTES

Podemos obtener una solución básica factible (sbf) para un problema de transporte

balanceado mediante el método de la esquina Noroeste, el método de costo mínimo, o

el método de Vogel. Para obtener una sbf mediante el método de la esquina noroeste,

empiece en la esquina superior izquierda del cuadro del transporte y haga a X11 lo más

grande posible.

Naturalmente X11 no puede ser mayor que el menor valor Si y así X11 S1 tache el

primer renglón del cuadro de transporte; Esto indica que si habrá más variables básicas
del renglón 1 del cuadro. También d1-S1 . Si X11=d1, tache la primera la columna del

cuadro de transporte y cambie S1 – d1.

Si X11= S1 = d1, tache o el renglón 1, o la columna 1 (pero no ambos), del cuadro

de transporte. Si tacha el renglón 1, cambie d1 por cero; si tacha columna 1, cambie S

1 por 0.

Continúe aplicando este procedimiento a la celda más noroeste del cuadro que no

cae en un renglón eliminado o en una columna eliminada.

Finalmente, llegara un momento en el cual solo queda una celda a la cual se puede

asignar un valor. Asigne a esta celda un valor igual a la oferta de su renglón o a la

demanda de su columna, y tache el renglón y la columna de la celda. Se obtiene de

esta manera una solución básica factible.

OBTENER LA SOLUCIÓN ÓPTIMA PARA UN PROBLEMA DE TRANSPORTE

Paso 1: Si el problema no está balanceado, balancéelo.

Paso 2: Utilice uno de los métodos descritos anteriormente para obtener una

solución básica factible.

Paso 3: Utilice el hecho de que U1=0, y Ui+Vj=Cij en todas las variables básicas

para encontrar (U1,U2…Um V1,V2…Vn) para la sbf actual.

Paso 4: Si Ui + Vj – Cij es menor o igual a cero, para todas las variables no básicas,

entonces la sbf actual es óptima. Si no es así se introduce la variable con valor más

positivo de Ui + Vj –Cij en la base. Para hacer esto, encuentre un circuito cerrado (se

puede demostrar que solamente existe un circuito cerrado)

 Que contiene la variable que entra y algunas de las variables básicas. Después,

tomando en cuenta solamente las celdas en el circuito cerrado marque las que se

encuentren alejadas en número par (0,2,4,6,…) de celdas de la variable que entra

como celdas pares. También marque las celdas en el circuito cerrado, que se

encuentra un número impar de celdas de la variable que entra como celdas impares.

Ahora encuentre la celda impar cuya variable toma el menor valor. Llame este valor

teta. La variable correspondiente a esta celda impar saldrá de la base. Para realizar el

pivoteo, disminuye el valor de cada celda impar en teta y aumenta el valor de cada

celda par en teta. Los valores de las variables que no se encuentran en el circuito

cerrado permanecen sin cambio. Ahora se completó el bloqueo. Sí teta es igual a cero,

la variable que entra será igual a cero, y una variable impar que tiene un valor actual de

cero, saldrá de la base. En este caso, existía un sbf degenerada antes del pivoteo y

resultará después del pivoteo. Si más de una celda impar en el circuito cerrado es igual

a teta. Puede escoger arbitrariamente una de estas celdas impares para que salga de

la base; se obtendrá una vez más una sbf degenerada. El pivoteo produce una nueva

sbf.

Paso 5: Regrese a los pasos 3 y 4, utilizando la nueva sbf. Para un problema de

maximización, proceda como se especificó, pero cambie el paso 4 por el paso 4’.

Paso 6: Si Ui + Vj –Cij es mayor o igual a cero, para todas las variables no básicas,

entonces, la sbf actual es óptima. De otra manera, coloque la variable con el valor más

negativo de Ui + Vj – Cij en la base mediante el procedimiento de pivoteo.

Referencias
((Döring, 1980)

(Dantzig, 1947)

(Dantzing, 1947)

(Hellriegel, Slocum, & stoner, 2004)

(Mazzei, 2001)

(McKeown, 2007)

(McLeod, 2000)

(Mohammed, 2010)

(Robbins, 1999)

(Sulyok, 2006)

(alcazar, 1985)

(fernandez, 2017)

(gonzalez, 2001)

(ramirez, 2013)
 Toma de decisiones - Wikipedia, la enciclopedia libre

Revisado Administración final3.pdf (uanl.mx)

Evolución de la ciencia de la administración (página 2) - Monografias.com

(PDF) FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL | ma ria -

Academia.edu

https://prezi.com/vv-facvdjip1/16-concepto-del-metodo-grafico-y-su-aplicacion/

Método SIMPLEX (aner.com)

Microsoft Word - Documento7 (adiveter.com)