UNIVERSIDAD FERMIN TORO VICE RECTORADO ACADEMICO

FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES ESCUELA DE ADMINSTRACION

Técnicas e instrumentos

para la toma racional de

decisiones

AUTOR

EDUARD R. RAMOS C.

C.I. V-16.532.933

Cabudare, 08 de Enero de 2013

TÉCNICAS E INSTRUMENTOS PARA LA TOMA RACIONAL DE

DECISIONES

01

MÉTODOS

DETERMINÌSTICOS

PROGRAMACIÓN

LINEAL.

MÉTODO SIMPLEX.

02

MÉTODOS

PROBALÌSTICOS

LÓGICA BAYESIANA.

TEORÍA DE JUEGOS.

03

MÉTODOS

HÍBRIDOS

MÉTODO DE

TRANSPORTE Y

LOCALIZACION.

TÉCNICA DE

MOTECARLO.

CONTENIDO

INTRODUCCION

A través del estudio de este tema buscamos asegurar que cuando hablamos sobre las técnicas y herramientas para tomar decisiones, muchas veces nos referimos de forma conjunta sobre las mismas, pero es necesario hacer una distinción, debido a que las herramientas nos proporciona ayudas visuales y otros instrumentos que serán de gran utilidad a la hora de tomar decisiones, mientras que las técnicas son aquellos procesos que usamos o llevamos a cabo con la finalidad de llegar a la decisión, de este modo tanto las técnicas como las herramientas no son iguales ni están completamente separadas, sino que pueden ser usadas de forma conjunta en variadas combinaciones o complementarse dependiendo de la clase de resultado que quieres obtener. En esta edición analizaremos la clasificación de los problemas de toma de decisión y los clasificaremos en categorías modelos tales como, modelos de decisión deterministicos que hace referencia a que las buenas decisiones se basan en sus buenos resultados. Se consigue lo deseado de manera "determinística", es decir, libre de riesgo. Esto depende de la influencia que puedan tener los factores no controlables, en la determinación de los resultados de una decisión y también en la cantidad de información que el tomador de decisión tiene para controlar dichos factores, mientras que los modelos de decisión probabilísticos son método más antiguo para el tratamiento de la incertidumbre, los cuales son fundamentales para determinar la asignación óptima de recursos escasos, debido a que es un procedimiento que encuentra su aplicación práctica en casi todas las facetas de los negocios, desde la publicidad hasta la planificación de la producción, problemas de transporte, distribución, y planificación global de la producción son los objetos más comunes del modelo probalistico, al igual que también estudiaremos el modelo hibrido que tienen que ver con los métodos determínisticos y probabilísticos

El método del simplex fue

creado en 1947 por el

matemático George Dantzig.

El método del simplex se utiliza,

sobre todo, para resolver

problemas de programación

lineal en los que intervienen tres

o más variables.

El álgebra matricial y el proceso

de eliminación de Gauss-Jordan

para resolver un sistema de

ecuaciones lineales constituyen

la base del método simplex.

Andrei Andreyevich Markov,

matemático ruso nacido en Ryazan, Rusia el 14 de Junio de 1856 y fallecido en Petrograd (ahora St. Petersburg), Rusia, el 20 de Julio de 1922.

02

DEFINICION Son aquellos donde se supone que todos los datos pertinentes se conocen con certeza. Es decir, en ellos se supone que cuando el

modelo sea analizado se tendrá disponible toda la información necesaria para tomar las decisiones correspondientes. Un ejemplo de modelo determinístico sería la asignación de la tripulación de una aerolínea para cada uno de sus vuelos diarios del mes próximo, conociendo los horarios de vuelos, el personal disponible, las restricciones legales sobre las horas de trabajo, las reglas del sindicato y así sucesivamente. Es por esto que los modelos determinísticos pueden manejar situaciones complejas en las que hay muchas decisiones y restricciones. La utilidad de los modelos determinísticos suele ser máxima cuando unas cuantas entradas no controladas del modelo presentan incertidumbre.

En consecuencia, los modelos

determinísticos se utilizan a

menudo, aunque no siempre, para

la toma de decisiones internas de

una organización.

Un modelo deterministico, es aquel en el cual

se establecen las condiciones para que al

ejecutar el experimento se determine el

resultado, en otras palabras las variables que

se utilizan dentro del experimento o dentro del

problema, están sujetas a limitaciones

produciendo resultados no probabilísticos.

. Cuando se conoce los datos de manera

puntual y la forma del resultado, no hay de

incertidumbre.

. Es decir, todos los datos son conocidos.

.Se aplica a los siguientes tipos de problemas

de: Programación lineal, programación entera, programación no lineal, teoría de redes,

transporte, designación, programación por

metas, teoría de inventarios.

IMPORTANCIA

Una asombrosa variedad de

importantes problemas de

administración pueden formularse

con modelos deterministicos.

Muchas hojas de cálculo electrónicas

cuentan con la tecnología necesaria

para optimizar modelos

deterministicos, esto quiere decir

para encontrar decisiones óptimas.

El subproducto de las técnicas de

análisis es una gran cantidad de

información muy útil para la

interpretación de los resultados por

la gerencia.

La optimización restringida, en

particular, es un recurso

extremadamente útil para

reflexionar acerca de las situaciones

concretas, aunque no se piense

construir un modelo y optimizarlo.

La práctica con modelos

deterministicos le ayudara a

desarrollar su habilidad para la

formulación de modelos en general.

Es una herramienta para la ayuda en la toma de decisiones, permitiéndonos plantear un tipo particular de modelo matemático, donde representamos en forma simplificada el problema de decisión, las variables de decisión, el objetivo y las restricciones mediante símbolos matemáticos y ecuaciones.

Un modelo de Programación Lineal, es un modelo matemático particular en el cual las relaciones que involucran las variables son lineales y hay una medida de desempeño o un único objetivo. Una de las grandes ventaja de utilizar este tipo de modelos es que mediante un algoritmo de resolución se puede obtener la decisión más óptima o incluso la mejor aunque haya miles de variables y relaciones entre ellas.

Requerimiento 1. Función objetivo. (F.O).

Debe haber un objetivo (o meta o blanco)

que la optimización desea alcanzar.

Requerimiento 2. Restricciones y

decisiones.

Debe haber cursos o alternativas de

acción o decisiones, uno de los cuáles

permite alcanzar el objetivo.

Requerimiento 3. La F.O y las

restricciones son lineales.

Deben utilizarse solamente ecuaciones

lineales o desigualdades lineales.

MODELO

STANDARD DE

PROGRAMACIÓN

LINEAL

Optimizar Z = C1X1+ C1X2 +….+ Cn Xn). Función objetivo.

Sujeta a a11X1+ a11X2 +…..+ a1nXn) £ b1 a21X1+ a21X2 +…..+ a2nXn) £ b1 Restricciones am1X1+ am1X2 +…..+ amnXn) £ bm Debiendo ser X1 ³ 0, X2 ³ 0, ….. Xn ³ 0 Donde : Xj : variables de decisión, j = 1,2.., n. n : número de variables. m : número de restricciones. aij , bi , cj constantes, i = 1,2.., m.

PROGRAMACION

LINEAL

REQUERIMIENTOS

PARA CONSTRUIR

UN MODELO DE

PROGRAMACIÓN

LINEAL

Leer más:

http://www.monografias.com/trabajos6/prol

i/proli.shtml#ixzz2KO2JObgK

La programación consiste en

desarrollar programas para procesar

información.

Programación como término se

utiliza para designar la creación de

programas a pequeña escala

DONDE SE APLICA

LA

PROGRAMACIÓN

LINEAL.

La programación lineal da respuesta a situaciones en las que se exige maximizar o minimizar funciones que se encuentran sujetas a determinadas limitaciones, que llamaremos restricciones. Su empleo es frecuente en aplicaciones de la industria, la economía, la estrategia militar, etc. Función objetivo En esencia la programación lineal consiste en optimizar (maximizar o minimizar) una función objetivo, que es una función lineal de varias variables: f(x,y) = ax + by. Restricciones La función objetivo está sujeta a una serie de restricciones, expresadas por inecuaciones lineales:

a1x + b1y ≤ c1

a2x + b2y ≤c2

... ... ...

anx + bny ≤cn

Cada desigualdad del sistema de restricciones determina un semiplano.

Solución factible El conjunto intersección, de todos los semiplanos formados por las restricciones, determina un recinto, acotado o no, que recibe el nombre de región de validez o zona de soluciones factibles. Solución óptima El conjunto de los vértices del recinto se denomina conjunto de soluciones factibles básicas y el vértice donde se presenta la solución óptima se llama solución máxima (o mínima según el caso). Valor del programa lineal El valor que toma la función objetivo en el vértice de solución óptima se llama valor del programa lineal.

Un modelo de Programación Lineal (PL) considera que las variables de decisión tienen un comportamiento lineal, tanto en la función objetivo como restricciones del problema. En este sentido, la Programación Lineal es una de las herramientas más utilizadas en la Investigación Operativa debido a que por su naturaleza se facilitan los cálculos y en general permite una buena aproximación de la realidad.

La programación lineal permite

escribir algoritmos de una forma

secuencial, es decir, cada

instrucción se ejecuta hasta que la

anterior se haya realizado, no

obstante, podemos referenciar a una

línea desde nuestra secuencia que

no sea la siguiente, de tal forma que

al terminar una secuencia de

instrucciones podremos referenciar a

la línea que continuaba en nuestra

ejecución. Visto gráficamente su

representación sería La siguiente:

Int1 Int2 Int3 Int4 IntN

Ventajas -Es relativamente simple y directo. Desventajas -Cada instrucción se ejecuta hasta que la anterior se haya realizado. -Dificulta la comprensión de

lectura.

ANTECEDENTES

El algoritmo simplex fue descubierto por el matemático norteamericano George Bernard Dantzig en 1947, es una técnica para dar soluciones numéricas a problema de programación lineal.

El método Simplex es un algoritmo iterativo que permite mejorar la solución con cada paso sucesivo. La programación Lineal es una técnica mediante la cual se toma decisiones deduciendo el problema bajo estudio a un modelo matemático general, el cual debe ser resuelto por métodos cuantitativos.

El algebra matricial y el proceso de eliminación de Gauus-jordan para resolver un sistema de ecuaciones constituye la base del método simplex. El método simples se basa en la siguiente propiedad: Si la función objeto (f), no toma su valor máximo en el vértice A entonces hay una arista que parte de A, a lo largo de la cual (f) aumenta.

El método Simplex es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso concluye cuando no es posible seguir mejorando más dicha solución.

Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste en buscar sucesivamente otro vértice que mejore al anterior. La búsqueda se hace siempre a través de los lados del polígono (o de las aristas del poliedro, si el número de variables es mayor). Cómo el número de vértices (y de aristas) es finito, siempre se podrá encontrar la solución.

El método Simplex se basa en la siguiente propiedad: si la función objetivo, f, no toma su valor máximo en el vértice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta.

Deberá tenerse en cuenta que este método sólo trabaja para restricciones que tengan un tipo de desigualdad "≤" y coeficientes independientes mayores o iguales a 0, y habrá que estandarizar las mismas para el algoritmo. En caso de que después de éste proceso, aparezcan (o no varíen) restricciones del tipo "≥" o "=" habrá que emplear otros métodos, siendo el más común el método de las Dos Fases.

METODO SIMPLEX

METODOS

PROBALISTICOS

Son modelos matemáticos apropiados para situaciones reales en condiciones especificas, son importantes por que nos ayudan a predecir la conducta de futuras repeticiones de un experimento aleatorio. Los modelos pueden ser discretos o continuos. Los modelos o distribuciones discretas más comunes son: La Uniforme, Binomial, Poisson y la Hipergeometrica Dado que el enfoque del texto es presentar los modelos más usados en investigación, y más específicamente en áreas sociales y humanísticas.

FACES PARA

RESOLVER UN

PROBLEMA

1. Convertir las desigualdades en

igualdades

2. Igualar la función objetivo a

cero.

3. Escribir la tabla inicial simplex

con la que se pretende

trabajar.

4. Encontrar las variables de

decisión que entra en la base y

las variables de holgura que

sale de la base.

5. Encontrar los coeficientes de la

nueva tabla.

VENTAJA DEL METODO SIMPLEX

Sirve para modelos con 4 o más

incógnitas

DESVENTAJAS DEL METODO

SIMPLEX

Difícil de aprender

Asume que todas las variables

pertenecen a |R

LO QUE NOS PERMITE UN MÉTODO PROBABILÍSTICO

Conocer con un cierto nivel de certeza como se podría comportar un sistema

a futuro. A los métodos que utilizan variables aleatorias que varían con el

tiempo se les conoce como métodos estocásticos.

Un ejemplo de ellos es el proceso

Markoviano, el cual consiste en asociar

probabilidades a cada uno de los posibles

resultados dentro de cada línea de acción

para un determinado tiempo. De esta forma

se podrá así determinar la probabilidad final

de encontrarse en un estado determinado en

el tiempo especificado.

El proceso de Markov analiza y

determina la situación o

comportamiento del sistema a futuro

empleando las probabilidades de

pasar de un estado a otro para

tiempos determinados, por eso se le

considera un método estocástico

porque considera nuevas

probabilidades para cada tiempo y/o

para cada estado. Generalmente se

utiliza una variable discreta de

asociación de probabilidades a los

diferentes estados para simplificar los

cálculos.

LÓGICA

BAYESIANA

EL MODELO BAYESIANO COMO TECNICA DE PRONOSTICO

EL MODELO BAYESIANO ESTÁ CIRCUNSCRITO, COMO TECNICA DE PRONOSTICO EN LAS LLAMADAS TECNICAS CUALITATIVAS, CUYA PRINCIPAL CARACTERÍSTICA ES QUE SUS INSUMOS SON JUICIOS DE VALORES; ES DECIR, OPINIONES QUE DAN UNA VALORACIÓN O CUALIFICACIÓN A HECHOS O DATOS OBSERVADOS.

SU ROL COMO INSTRUMENTO DE PRONÓSTICO ES MUY IMPORTANTE YA QUE PERMITE HACER INFERENCIAS SOBRE LA PROBABILIDAD DE OCURRENCIA DE UNA SITUACION DADA (HIPOTESIS / ESCENARIO), SOBRE LA BASE DE LAS EVIDENCIAS OBSERVADAS; POR ELLO, ES UN INSTRUMENTO EXTRAORDINARIO PARA EL MONITOREO O SEGUIMIENTO DE SITUACIONES DE INTERÉS. DENTRO DE ESTE CONTEXTO, JUEGA UN ROL FUNDAMENTAL COMO HERRAMIENTA DE ALERTA, ANTE LAS EVIDENCIAS OBTENIDAS COMO CONSECUENCIA DE LA DINAMICA DE LOS ACONTENCIMIENTOS.

LA APLICACIÓN DEL MODELO BAYESIANO COMO TECNICA DE PRONOSTICO ESTÁ SUJETA A LA POSIBILIDAD DE HACER SEGUIMIENTO A UNA SITUACIÓN DE INTERÉS DETERMINADA.

TÉNGASE PRESENTE DE QUE SI LAS EVIDENCIAS NO FAVORECEN DE MANERA SIGNIFICATIVA Y RELEVANTE A NINGUNA DE LAS HIPOTESIS (ESCENARIOS) PLANTEADAS; ENTONCES NO SERA POSIBLE INFERIR LA OCURRENCIA DE ALGUNO DE LOS ESCENARIOS, SOBRE LA BASE DE LAS EVIDENCIAS OBSERVADAS.

La teoría Bayesiana les da la libertad a los investigadores de estudiar la complejidad del comportamiento humano de una forma mucho más realista, de lo que era previamente posible. Aunque ningún método es 100 % exacto ya que la psiquis humana es demasiado compleja como para simplificarla en una teoría. El razonamiento bayesiano proporciona un enfoque probabilístico a la inferencia. Está basado en la suposición de que las cantidad de interés son gobernadas por distribuciones de probabilidad y que se pueden tomar decisiones óptimas razonando sobre estas probabilidades junto con los datos obtenidos. Este enfoque está siendo utilizado en multitud de campos de investigación, de los que cabe destacar la robótica móvil y la visión computacional, ambas relacionadas con el contenido de esta tesis. En este apéndice queremos definir dos de las herramientas utilizadas en el desarrollo de esta tesis: el teorema de Bayes y el principio de longitud de descripción mínima.

Thomas Bayes

TEORÍA DE JUEGOS

Consiste en razonamientos circulares, los cuales no pueden ser evitados al considerar cuestiones estratégicas. Por naturaleza, a los humanos no se les da muy bien pensar sobre los problemas de las relaciones estratégicas, pues generalmente la solución es la lógica a la inversa.

En la Teoría de Juegos la intuición no educada no es muy fiable en situaciones estratégicas, razón por la que se debe entrenar tomando en consideración ejemplos instructivos, sin necesidad que los mismos sean reales. Por lo contrario en muchas ocasiones disfrutaremos de ventajas sustanciales estudiando juegos, si se eligen cuidadosamente los mismos. En estos juegos-juegos, se pueden desentender de todos los detalles. Si en lugar de utilizar personajes ficticios utilizamos personajes reales para los juegos si se observase qué tan honesto es ese personaje, cómo manipularía la información obtenida, etc. Para un especialista en Teoría de Juegos el ser deshonesto, etc., sería un error comparable al de un matemático que no respeta las leyes de la aritmética porque no le gustan los resultados que está obteniendo.

APLICACIONES A

LA TEORIA DEL

JUEGO

A LA ECONOMIA EN LA CIENCIA

EN LA BILOGIA

EN LA FILOSOFIA

En 1947, John von Neumann y

Oskar Morgenstern exhibió cuatro

relativamente modestas [1]

axiomas de la "racionalidad" de

manera que cualquier agente

satisface los axiomas tiene una

función de utilidad. Es decir, se

demostró que un agente es (VNM-

) racional si y sólo si existe una

función u de valor real se define

sobre los posibles resultados de

tal manera que todas las

preferencias del agente se

caracteriza por maximizar el valor

esperado de u, que luego pueden

se define como el agente VNM-

utilidad (que es único hasta la

adición de una constante y la

multiplicación por un escalar

positivo). No se afirma que el

agente tiene un "deseo

consciente" para maximizar u, u

único que existe.

METODOS HIBRIDOS

Alvarez y Jurgenson (2.003) denominan métodos híbridos a

aquellos usados tradicionalmente en la investigación

cuantitativa y que proponen como métodos también valiosos

para el desarrollo de estudios cualitativos. El

procedimiento de aplicación no varía; la diferencia

generalmente se encuentra en la interpretación de los datos.

INVESTIGACIÓN

ACCION:

El propósito de la investigación-acción es resolver problemas cotidianos e inmediatos, Elliot citado por J. Mckernan (2.001) define la investigación-acción como "el estudio de una situación social con miras a mejorar la calidad de la acción dentro de ella". Por otro lado, Halsey citado por Alvarez y Jurgenson (2.003) la define como una "una intervención en pequeña escala en el funcionamiento del mundo real y el examen minucioso de estas intervenciones".

La investigación-acción se fundamenta en tres pilares:

Los participantes que están viviendo un problema son los más capacitados para abordarlo en su entorno naturalista.

La conducta de estas personas están influidas de manera importante por su entorno natural.

La metodología cualitativa es la más conveniente para el estudio de los entornos naturalistas, puesto que es uno de sus pilares Epistemológicos.

Existen tres visiones de la

investigación-acción, en primer lugar, aparece la visión técnico-científica. El fundador de la

investigación-acción fue Kurt Lewin, quien la

planteó a mediado de la década de los años cuarenta del siglo XX, como una forma de indagación experimental basada en el estudio de grupos que experimentan problemas.

El interés de Lewin se vio atraído por el estudio de las

actitudes individuales y las

decisiones tomadas en grupos pequeños que

posteriormente podían

manipularse. Su modelo consiste en una serie de

decisiones en espiral, las cuales se toman en ciclos repetidos de análisis para reconceptualizar el problema.

Lewin considera que la investigación-acción se compone de pasos seriados de acción: Planificación, Identificación de Hechos, Ejecución y Análisis.

Una segunda visión es la de la investigación-acción-práctico-

deliberativa, que se vuelve mucho más cualitativa al

centrarse mayormente en la interpretación humana, la comunicación interactiva, la deliberación, la negociación y la descripción detallada. Este enfoque se centra más en la tarea que en los resultados.

Elliot propuso este modelo y cuestiona la fuerte inclinación en Gran Bretaña de la investigación educativa hacia el positivismo. Este autor propone por primera vez el concepto de Triangulación en la investigación cualitativa.

La tercera visión es la investigación-acción

educativa, crítica, emancipadora; esta rechaza la creencia positivista acerca del papel instrumental del conocimiento en la resolución de problemas, y pone en relieve el desarrollo de las habilidades discursivas, analíticas y conceptuales, incrementa el conocimiento por medio de la crítica severa.

Mckernan, por su parte, planteo un modelo de proceso temporal de la investigación-acción, el cual consiste en un primer ciclo de acción en que los intentos por definir claramente la situación o el problema.

Posteriormente se pasa a la evaluación de las necesidades, estableciéndose las limitaciones internas y externas del progreso. Esta revisión del problema debe propiciar que surjan ideas, propuestas e hipótesis, las cuales se asumen como ideas inteligentes y no como soluciones.

Luego se realiza un plan general de acción que se lleva a la práctica y se evalúa. En esta evaluación, los participantes buscan comprender los efectos y lo que han aprendido.

El método de Montecarlo (Monte Carlo, MC) se aplica a sistemas moleculares para: predecir los valores promedio de las propiedades de estructuras en medios térmicos; estimar la distribución de cargas en moléculas; calcular constantes cinéticas de reacción, energías libres, constantes dieléctricas, coeficientes de compresibilidad, capacidades caloríficas y puntos de cambio de estado; etc.

El método de Montecarlo recibe este nombre porque consiste en introducir números aleatorios en el cálculo, lo cual permite simular efectos "térmicos". En este sentido se distingue de la Dinámica Molecular (técnica determinística).

Variantes del MC se usan para resolver problemas muy diversos. De todas ellas, en el caso de los cálculos computacionales relacionados con sistemas moleculares, las

más importantes son las siguientes:

Método Clásico (Classical Monte Carlo, CMC): aplicación de distribuciones de probabilidades (generalmente la distribución clásica de Maxwell y Boltzmann) para obtener propiedades termodinámicas, estructuras de energía mínima y constantes cinéticas.

Método Cuántico (Quantum Monte Carlo, QMC): uso de trayectorias aleatorias para calcular funciones de onda y energías de sistemas cuánticos y para calcular estructuras electrónicas usando como punto de partida la ecuación de Schroedinger.

Método de la Integral a lo largo de la Trayectoria (Path-Integral Quantum Monte Carlo, PIMC): cálculo de las integrales de la Mecánica Estadística Cuántica para obtener propiedades termodinámicas y constantes cinéticas usando como punto de partida la integral a lo largo de la trayectoria de Feynman.

Método Volumétrico (Volumetric Monte Carlo, VMC): uso de números aleatorios y cuasi-aleatorios para generar volúmenes moleculares y muestras del espacio de fase molecular).

Método de Simulación (Simulation Monte Carlo, SMC): uso de algoritmos aleatorios para generar las condiciones iniciales de la simulación de trayectorias cuasi-clásicas o para introducir efectos estocásticos ("termalización de las trayectorias") en Dinámica Molecular. (El así llamado "Método Cinético" —Kinetic Monte Carlo, KMC— es uno de los SMC.).

TECNICA MONTECARLO

Con el crecimiento de los intercambios

internacionales, y la distribución geográfica de los mercados, los transportes desempeñan un rol muy importante en la vida de la empresa. Aunque hay empresas que sólo se plantean la localización una vez en su historia, hay otras que, a menudo se tienen que enfrentar a este problema, teniendo en cuenta que continuamente están cambiando los mercados, los gustos y preferencias de los consumidores, las tecnologías, etc., por esto las decisiones de localización forman parte del proceso estratégico de la empresa, ya que de ello depende, muchas veces, su futuro. El objetivo fundamental de la localización, es la elección de un lugar en donde se desarrollen las operaciones de la empresa de una manera efectiva, esto implica realizar unas inversiones importantes, de tal modo que si la empresa tiene problemas en el desarrollo de su actividad motivados por una mala ubicación, producirá graves pérdidas a la empresa porque tendrá que desinstalarla y volverse a plantear una nueva ubicación si quiere seguir sus operaciones. A la hora de tomar la decisión de ubicar la empresa

en un lugar u otro, se tienen que tener en cuenta toda

una serie de factores y, algunos de ellos, pueden

ejercer mayor influencia que otros, porque todos no

pueden ser tenidos en cuenta, así hay empresas que

se localizan cerca del lugar donde se encuentran las

materias primas, otras se localizan cerca del mercado

y, finalmente, otras puede que tengan que ubicarse

teniendo en cuenta factores que más repercuten

sobre el proceso de elaboración del producto. Existen

muchos métodos para ayudar a decidir sobre la

ubicación idónea, pero en el caso de que la empresa

disponga de varias factorías ubicadas en distintos

lugares produciendo un único producto y operando en

distintos mercados, se plantea la problemática de

buscar la distribución óptima con el menor coste de

transporte posible. Para ello existen igualmente

distintos métodos de transporte y vamos a analizar a

continuación algunos de ellos con un ejemplo común

para todos.

Es un método de programación lineal para la asignación de artículos de un conjunto de origines a un conjunto de destinos de tal manera que se optimice la función objetivo. Esta técnica es particularmente usada en organizaciones que producen el mismo producto en numerosas plantas y que envía sus productos a diferentes destinos (Centros de distribución, almacenes). También se aplica en distribución, análisis de localización de plantas y programación de la producción. Se han desarrollado diferentes enfoques para resolver este problema de distribución, tales como: El método de la esquina noroeste, el método modificado de la esquina noroeste (celda mínima), método del trampolín (Cruce de arroyo, stepping stone), método de la distribución modificada (MODI), método de aproximación de Vogel y el método simplex. Se cubrirán únicamente en estas notas los siguientes métodos:

a) Esquina Noroeste b) Modificado de la esquina Noroeste. c) Aproximación de Vogel. d) Del trampolín (Stepping stone)

Para que un problema pueda ser solucionado

por el método de transporte, este debe reunir tres condiciones:

1) La función objetivo y las restricciones deben

de ser lineales. 2) Los artículos deben de ser uniformes e

intercambiables, los coeficientes de todas las variables en la ecuación deben de ser 0 o 1.

3) La suma de las capacidades de las fuentes debe ser igual a la suma de los requerimientos de los destinos, si alguna desigualdad existe una variable de holgura deberá ser añadida.

METODO DE

TRANSPORTE Y

LOCALIZACION

El modelo de transporte se define como una

técnica que determina un programa de

transporte de productos o mercancías desde

unas fuentes hasta los diferentes destinos al

menor costo posible. También estudiaremos el

problema del transbordo en el que entre

fuentes y destinos, existen estaciones

intermedias.

D E T E R M I N I S T I C O F G J U B

A S D F G H J K L Q W R T Y Y H N A U

Q M I Q A S G H Q T Y M M Q E R Y Q E

W E O W N A M A W E E E E W R E E W N

E T P E O E O F E G H T K E S L V E I

R O A R I Z N Y R S D O D R P J I R S

T D S T C D T H T A S D G T G J S T I

Y O Z Y A Z E J Y H J O B Y V Y I Y J

U D X U G O C I T S I L I B A B O R P

I E N I I C A I R I E O G O R K N K K

O D O O T O R O A O A G R A I E G U U

P I I P E P L P N P M I O M A G H I D

A H C A V I O A S A M A S C N R T H A

S J C S N A T S P S O A P K T D F I B

Z L A Z I L A C O L D G H L E Y U B C

X A D G H J K L R Ñ E N D E S S C R D

F A P L I C A R T L C I L P A S I E

G E D U A R D R E E O A H B D U P D X

H E L L O D F G H J K L L L Ñ P U O F

H A S L O H N O I C A C I L P A S A D H Q W E F G H U J K L O N H D S B K Ñ

K L O C A L I Z A C I O N Q S D F G K

DETERMINISTICO, PROBABILÍSTICO, METODO, MODELO, TRANSPORTE,

LOCALIZACION, TECNICA, MONTECARLO, BAYES, VARIANTES, METODOLOGIA,

INVESTIGACION, ACCION, VISION, HIBRIDO, APLICACIÓN.

Posterior al estudio, analisis y elaboracion de esta edicion, es necesario aclarar que las técnicas e instrumentos para la toma racional de decisiones, comprende una serie de modelos que servirán de gran ayuda a la hora de solventar algún problema y tomar decisiones asertivas, uno de estos es el modelo determinísticos, en donde se plamte que una buena decisión es juzgada de acuerdo a los resultados. Sin embargo, existe otro como el modelo probabilísticos, en donde se debe considerar los resultados, al igual que la cantidad de riesgo que cada decisión acarrea, esta serie de tecnicas se extiende desde las corazonadas en un extremo hasta los análisis matemáticos complejos en el extremo opuesto. Desde el punto de vista práctico no existe ni una técnica mejor ni una combinación que deba utilizarse en todas las circunstancia, es por esto que la selección de la tecnica e instrumento que se va a utilizar o implementar debe ser individual y por lo general está dictada por los antecedentes y conocimientos con los que se cuente al igual que con los recursos disponibles. La toma de decisions conlleva un cierto grado de riesgo economico, la idoneidad de estas decisiones estará en función de la preparación, experiencia, personalidad e información que posean las personas que aplicaran estas técnicas el directivo, y así poder asegurar mediante estos modelos una mejor visión acerca del futuro.

Conclusión

PASA TIEMPO