M. en C.

J os Fidencio Domingo Gonzlez Ziga 1

Optimizacin del sistema total.
Definiciones:
ptimo: El mejor grado o ms favorable, en cantidad, o nmero (Mirriam-Webster 1981).
Entonces la optimizacin es el proceso para alcanzar el grado ms favorable. En el
diseo de sistemas necesitamos considerar la optimizacin en dos niveles, contextos y
sistemas.
Optimizacin del contexto.
Anlisis de alternativas en el contexto del sistema
Seleccin de un contexto cercano al ptimo para el problema
Optimizacin de sistema.
Anlisis de alternativas en la estructura del sistema, qu componentes pueden ser
utilizados y qu puede hacer cada componente.
Opcin de un conjunto de componentes y de sus comportamientos individuales, cercano
al ptimo, un diseo del sistema.

Optimizacin del sistema de vala
a

Todo lo que se relaciona con los objetivos no termina slo al formar la lista de
mercancas o acontecimientos que se desean. Los objetivos se deben seguir

a
Hacer ptimo un sistema fsico significa alterar sus variables hasta que se logre el
mejor sistema. con respecto a un conjunto de objetivos. Hacer ptimo un sistema de
vala significa realizar ciertas operaciones conocidas para lograr lo mejor, o bien lo
ptimo, de acuerdo con un gran conjunto de criterio. En el Drimer caso, se usa un
procedimiento matemtico slo para sistemas relativamente simples, o subsistemas.
Excepto para valores econmicos, un sistema de vala raramente se somete a una
optimizacin matemtica. Es muy til usar los trminos del encabezado para hacer
resaltar el desarrollo paralelo entre los sistemas de vala y el fsico.

M. en C. J os Fidencio Domingo Gonzlez Ziga 2
trabajando, hasta que se note claramente cmo los diferentes conjuntos de salidas que
van asociadas con los objetivos se combinan para optimizar y seleccionar el mejor
sistema fsico. De acuerdo con lo que se hizo notar desde un principio, estas
operaciones se realizan conjuntamente con el diseo del mismo sistema fsico. La
razn de esto es que los datos actuales que se requieren para el diseo de un sistema
de vala efectivo, deben de realimentarse para la interpretacin del problema, para la
sntesis del sistema, para el anlisis del mismo, y para ensayar las decisiones. Otras de
las razones es que algunos objetivos pueden ser reemplazados por otros, y no se ven
con claridad los trminos de este cambio, hasta posteriormente durante el proceso.

No existe un camino nico para lograr un buen conjunto de objetivos. Aun cuando se
disponga de algn conjunto de objetivos, no hay una forma de prueba para asegurarse
de que el conjunto sea bueno. La carencia de un mtodo que sea comprensible para
fijar los objetivos, no es ninguna excusa para no enfrentarse al problema de su
establecimiento. J ams esta carencia justificar una arbitrariedad, una imposicin, el
positivismo y la carencia de lgica con que se tropieza frecuentemente durante los
trabajos sobre los objetivos.

Afortunadamente existen algunas teoras y filosofas de utilidad, ampliamente aceptadas
para guiar el trabajo con los objetivos. La naturaleza de la teora disponible, ms bien
que guiarnos hacia los mejores objetivos, es para ayudar a descubrir aquellos objetivos
que en algn sentido estn equivocados, o por lo menos, aquellos muy diferentes de
otros, y que tambin se puedan seleccionar para producir la misma accin. Por lo tanto,
existen ayudas que son casi deficientes, pero es muy seguro poder decir que se pueden
lograr mejores resultados empleando stas, que atacando el problema de fijar los
objetivos en forma ciega.

M. en C. J os Fidencio Domingo Gonzlez Ziga 3
A continuacin se inserta una lista de algunas sugestiones que se deducen del estado
actual de conocimientos sobre el diseo de los sistemas de vala.
(a) Hacer la anotacin de los objetivos en una hoja de papel. Convencerse de que
las palabras empleadas son neutrales y ajenas de todo prejuicio.
(b) Identificar los medios y los fines. Si esto da como resultado diferentes lgas
entre los medios y los fines, "colocar" estas ca enas en orden para localizar objetivos de
un mismo nivel de jerarqua, y para identificar los diferentes grados del sistema de vala.
(c) Tratar de determinar si son consistentes los objetivos de un cierto nivel con los
objetivos de un nivel ms elevado. Esto es necesario para decidir sobre la importancia
relativa de diferentes conjuntos de objetivos.
(d) Comprobar que el subconjunto de objetivos en cada nivel sea lgicamente
consistente. Los objetivos inconsistentes sealan la existencia de relaciones de
reemplazo. Todas estas relaciones necesitarn eventualmente de una cuidadosa
especificacin para permitir las transiciones.
(e) Definir los trminos de intercambio para variables relacionadas. A veces ser
necesario buscar la etimologa de una variable con respecto a otra, y fijar los lmites para
las variables, entre los cuales se puede efectuar este cambio.
(f) Formar el conjunto completo de objetivos. Para satisfacer este criterio se puede
aplicar la experiencia que se tenga en problemas similares. Sin embargo, esta
operacin se prosigue hasta el final del diseo, puesto que es imposible poder prever
todas las consecuencias del sistema fsico y protegerlas con los objetivos.
(g) Dar a cada objetivo el ms alto nivel de medicin que sea posible. Reconocer
que algunos objetivos no pueden medirse con escalas de medicin del ms alto nivel.
Por lo general, partes de determinados subconjuntos de objetivos se podrn ordenar, por
lo menos, de acuerdo con su importancia.
(h) Comprobar todos los objetivos para asegurarse si cada uno de ellos puede ser
posible fsica, econmica y socialmente. Fijar los factores limitativos.
M. en C. J os Fidencio Domingo Gonzlez Ziga 4
(i) Tomar en consideracin los riesgos y las indecisiones de las diferentes tcnicas
de que se disponga, y con la seleccin de un criterio apropiado para decisin.
(j) Aislar los problemas lgicos y reales, de los puramente estimativos, como una
etapa para fijar conflictos de importancia. Esto requerir generalmente el auxilio de los
expertos.
(k) Establecer los conflictos de importancia. Cerciorarse de que todos los intereses
queden representados. Eliminar el dogmatismo, los mtodos dictatoriales y los
dictmenes prematuros.

Mtodos de opti mizacin.
Excepto cuando existen limitaciones, cada vez queremos llegar al "sumum bonum".
En seguida, se describen mtodos simples de optimizacin a otros ms complicados. Y
considerando que, en la mayora de las situaciones, no es posible lograr lo ptimo, se
decide aceptar, en la mayora de los casos, el mejor resultado factible cercano al ptimo.

Los mtodos y modelos de optimizacin formal. En general siguen los pasos que se
mencionan:

1. Se define el problema; es decir, se nos dice que el problema consiste ya sea en
maximizar beneficios, minimizar costos totales, maximizar el valor, minimizar la
fluctuacin total, etc.
2. Se proporciona un modelo por el cual se describe o formula el sistema. Por
ejemplo:
a) Funciones que resumen la informacin que se conoce acerca de la situacin.
b) El costo total de manejar el inventario, y el concepto de intercambios entre
costos que se incrementan y que disminuyen segn la cantidad del pedido.
M. en C. J os Fidencio Domingo Gonzlez Ziga 5
c) El sistema se representa con una funcin objetivo, que describe nuestro
objetivo de maximizar el valor recreacional, sujeto a limitaciones del presupuesto
y los factores de abastecimiento y demanda.
d) En la programacin de ruta critica, el sistema se describe en trminos de
actividades, su duracin, tiempo de iniciacin y de terminacin, y costos.
3. Se proporciona una medida de eficacia que abarque el objetivo que debe optimizarse.

En resumen, los modelos de optimizacin tienen en comn lo siguiente:
1. Se define un problema.
2. Se formula un modelo de optimizacin.
3. Se expresa un objetivo.
4. Se elige una medida de eficacia para expresar el objetivo.
5. Se utiliza un procedimiento llamado algoritmo, para resolver el modelo y proceder al
ptimo.

Modelos de optimi zacin
La bibliografa sobre modelos de optimizacin crece a pasos agigantados. Es difcil
estar al tanto de todo. En seguida se listan las reas de estudio ms conocidas.
1. Clculo diferencial.
2. La tcnica multiplicativa de Lagrange, que utiliza el clculo diferencial pero toma en
cuenta restricciones o condiciones limitantes a fin de encontrar soluciones aceptables.
3. Anlisis de valor total. La funcin de costos totales utilizada para resolver problemas
con base en un anlisis de valor total. ste tambin utiliza el clculo diferencial para
encontrar puntos extremos.
4. Anlisis de incremento, similar al anlisis de valor total. Algunos problemas pueden
resolverse mediante el anlisis de incremento. Por ejemplo en problemas de inventarios,
la solucin se encuentra donde el costo de ordenamiento marginal o de incremento es
igual al costo de mantenimiento marginal o incrementar -es decir, al punto donde el costo
M. en C. J os Fidencio Domingo Gonzlez Ziga 6
adicional de llevar o mantener una unidad extra en el inventario, se equilibra por los
ahorros correspondientes en costos de ordenamiento.
5. Tcnicas de programacin lineal. Se usan donde fallan las tcnicas de optimizacin
del clculo diferencial. Estas involucran la maximizacin (minimizacin) de una funcin
objetivo, sujeta a restricciones de disponibilidad (o demanda). La programacin lineal,
como su nombre lo implica, siempre involucra igualdades y desigualdades lineales; es
decir, la fuerza o exponente de las variables es igual a 1. La programacin lineal es un
modelo utilizado para asignar recursos en forma ptima.
6. El mtodo del transporte o problema del transporte pertenece a la clase de
programacin lineal de problemas, donde se pretende encontrar las rutas ptimas, desde
su origen a su destino, de una cantidad limitada de artculos en demanda fija.
7. Programacin de objetivos. Puede considerarse una extensin de la programacin
lineal. La programacin de objetivos ofrece las ventajas de permitir al autor de
decisiones expresar preferencias entre varios objetivos. ste es un enfoque realista que
ya se ha incorporado en la programacin ordinal. Las formulaciones de programacin de
objetivos proporcionan cierta flexibilidad al elegir objetivos no existentes en la
programacin lineal, mientras que se retiene su rigor y metodologa de solucin. Como
la programacin lineal, la programacin de objetivos puede resolverse mediante el
poderoso mtodo smplex. El mtodo fue introducido por Charnes, Cooper y Ferguson,
y ms recientemente, lo refinaron Ijiri, Lee y otros. La bibliografa ofrece algunos
ejemplos recientes de formulacin de programacin de objetivos que pueden ser un
incentivo para el lector y una informacin ms detallada.
8. La programacin de clasificacin es el nombre tentativo proporcionado a otro mtodo
de aproximacin que se compara en forma ventajosa con la programacin de objetivos y
proporciona una "clasificacin satisfactoria", a la formulacin de programacin lineal."
Una de las dificultades de la aplicacin de la programacin de objetivos, es el anlisis de
intercambios entre objetivos, cuando con el tiempo cambian las prioridades asignadas a
los diferentes objetivos conflictivos.
M. en C. J os Fidencio Domingo Gonzlez Ziga 7
9. La programacin interactiva proporciona un modo interactivo por el cual el autor de
decisiones puede optimizar el problema de criterios mltiples en trminos de su funcin
de preferencia. "El autor de decisiones debe proporcionar informacin relacionada con
los intercambios locales entre criterios de puntos especficos, y ejecutar optimizaciones
unidimensionales... Se ha formulado un algoritmo que requiere interaccin con el autor
de decisiones, a fin de obtener cierta informacin, en relacin a su funcin de utilidad,
definida sobre valores permisibles de criterio."" La interacci6n entre el autor de decisiones
y el modelo, puede efectuarse mediante una terminal de computadora. 19
10. La programacin de nmeros enteros se refiere a un problema de asignacin de
recursos en el cual solamente se pueden aceptar soluciones de nmeros enteros. Se
han desarrollado varios algoritmos para resolver este problema que a menudo se
considera en la categora de programacin no lineal.
11. La programacin dinmica toma su nombre del procedimiento usado para lograr el
ptimo, y no del tipo de problemas considerados. Los problemas cuyas soluciones
pueden obtenerse mediante la programacin lineal, tambin pueden calcularse en la
forma de programacin dinmica. La necesidad de usar una u otra, depende del tipo de
problema. La programacin dinmica se usa ms eficientemente en problemas que
involucran etapas donde los resultados obtenidos en una etapa, afectan los resultados de
la etapa siguiente. Un ejemplo de un problema en el que la programacin dinmica
pudiera utilizarse, es una situacin de inventario, que involucro tres periodos de tiempo.
La cantidad de inventarios requeridos al principio de cada periodo es fija y se conoce el
patrn de demanda durante los tres periodos. El problema consiste en determinar las
cantidades ptimas que deben producirse en cada periodo para satisfacer los
requerimientos de demanda e inventario, en tanto que se minimiza el costo total."
12. La programacin cuadrtica y no lineal se refiere a modelos ms complicados, donde
las funciones objetivo y otras funciones, no necesariamente son lineales.
13. Modelos de filas o lneas de espera. Intentan resolver el problema de optimizar el
diseo y utilizacin de instalaciones de llegada y servicio. Generalmente, el problema
M. en C. J os Fidencio Domingo Gonzlez Ziga 8
es de naturaleza probabilstica. ste involucra el equilibrio de los costos de esperar en la
cola, con los que se agregan por las instalaciones de servicio. Al proporcionar un
servicio adicional, se reduce el costo de espera pero se incremento el costo del servicio,
as como la posibilidad de que las instalaciones de servicio tengan un tiempo no utilizado.
14. Los modelos de sistemas involucran modelos que tratan flujos y la secuencia crtica
de actividades a lo largo de un proyecto.
15 El algoritmo de descomposicin de programacin lineal. Es una formalizacin del
proceso de ajuste por el cual operan los centros divisionales para ajustar sus
soluciones, a fin de obtener una solucin que satisfaga sus requerimientos (restricciones)
impuestos tanto a nivel divisional, como a nivel de sistema total. El algoritmo de
descomposicin nos permite seguir la cuestin de optimizacin-suboptimizacin en el
contexto estricto de un modelo.
Para ms detalles sobre la materia de optimizacin, algoritmos y mtodos de
investigacin de operaciones, consltese las notas anexas, que proporcionan referencias
seleccionadas de cada mtodo.

Subopti mizacin
Aqu consideramos el problema de resolver problemas complejos del mundo real sobre la
base de las limitadas herramientas de razonamiento del hombre. Por un lado,
rechazamos los enfoques que slo tratan "partes" del problema, debido a que sabemos
que "el incrementalismo desarticulado" y la filosofa del "mejoramiento de sector" slo
conduce a soluciones parciales que incluso no garantizan que uno se dirige hacia las
soluciones del sistema total. Por un lado, reconocemos que la suboptimizacin puede
ser el nico enfoque factible y, por lo tanto, nos decidimos a buscar las mejores
suboptimizaciones posibles.



M. en C. J os Fidencio Domingo Gonzlez Ziga 9
El espacio de decisi n
Braybrooke y Lindblom han caracterizado decisiones, de acuerdo con dos caractersticas
importantes:
1. El grado de cambio que puede proporcionar la decisin.
2. La cantidad de comprensin y de informacin que los autores de decisiones poseen
sobre el rea en la que se toma la decisin.

De acuerdo con esto, el espacio de toma de decisiones puede dividirse en cuatro
cuadrantes, como se muestra en la figura 13.1. Estos cuatro cuadrantes se han descrito
como sigue.*

Cuadrante l. Gran oportuni dad y el evada comprensi n. "Las decisiones que efec-
tan un gran cambio y estn guiadas por informacin y comprensin adecuadas." El
cuadrante 1 pertenece al dominio de "los autores de decisiones superhumanos... que
requieren ... prodigiosas hazaas o un anlisis sinptico, por encima de las capacidades
humanas".



M. en C. J os Fidencio Domingo Gonzlez Ziga 10
Cuadrante 2. Cambio pequeo y elevada comprensi n. "Las decisiones que efec-
tan un cambio pequeo y estn guiadas por informacin y comprensin adecuadas." El
dominio de los "asuntos diarios del gobierno".

Cuadrante 3. Cambio pequeo y poca comprensin. "Las decisiones que efectan
un cambio pequeo pero que no estn guiadas por informacin y comprensin
adecuadas." Las decisiones aqu estn "sujetas a reconsideracin y redireccin
constantes. Estas decisiones son tpicas de la vida poltica ordinaria".

Cuadrante 4. Un gran cambio y poca comprensin. "Las decisiones que efectan un
gran cambio y no estn guiadas por informacin y comprensin adecuadas." El dominio
de "decisiones ciegas o impredecibles... claramente no son del rea o contexto de la
poltica de todos los das".

De lo anterior, es fcil deducir que el cuadrante 2 representa el mundo de las decisiones
diarias, en el cual hacemos movimientos cautelosos, basados en lo que creemos una
informacin suficiente. Obviamente, tambin nos movemos en el espacio representado
por el cuadrante 3, donde osadamente damos pequeos pasos sin contar siempre con
una informacin completa. Braybrooke y Lindblom llaman a este proceso
"incrementalismo desarticulado". Ellos proponen la teora en la que las decisiones
polticas de la vida diaria estn basadas, en su mayor parte, en pequeos cambios
incrementales. Los programas establecidos continan y son desarrollados en nuevos
programas "como una secuencia de decisiones". Un nuevo programa "no es para nada
un programa; no es una poltica de amplio alcance y coordinada". Ms bien "es el
producto de algunos pequeos movimientos especficos, por los cuales se modifican los
programas antiguos... y fluyen sin fin de... decisiones".

M. en C. J os Fidencio Domingo Gonzlez Ziga 11
Perseguir cambios de incremento es dirigir la poltica hacia males especficos -la
naturaleza de los cuales se reexamina continuamente -ms que hacia reformas
completas; es tambin buscar cambios a largo plazo, a travs de una secuencia de
movimientos por los cuales tratamos de alejarnos de los males sociales conocidos, ms
que dirigirnos hacia un objetivo conocido y relativamente estable.'

Necesariamente, el "incrementalismo desarticulado" conduce a una suboptimizacin, un
concepto que describe todas las consecuencias de perseguir objetivos menos que
ptimos, con resultados menos que ptimos. El "incrementalismo desarticulado" es
contrario al enfoque de sistemas y al "enfoque sinptico".
El "enfoque sinptico" a la toma de decisiones que se atribuye a March y Simon. De
acuerdo con este modelo, recordamos, "hacer poltica es elegir entre alternativas,
despus de un estudio cuidadoso y completo, de todos los cursos de accin posibles y
de todas sus posibles consecuencias". Comprender un problema "requiere comprensin
de informacin y anlisis". Un problema debe considerarse como un todo, en relacin a la
totalidad de sistemas y subsistemas que tienen una relacin con ste.
La disparidad entre el modelo de "incrementalismo desarticulado" y el modelo sinptico"
puede atribuirse al hecho de que el primero es un modelo descriptivo y el segundo un
modelo prescriptivo de toma de decisiones. Uno expresa cmo se toman realmente las
decisiones, el otro, cmo deberan tomarse.
Estamos dolorosamente conscientes de nuestra incapacidad para optimizar y de nuestra
tendencia a suboptimizar. Por tanto, necesitamos buscar las razones existentes que
impiden la optimizacin. Las dificultades con la optimizacin conducen a la
suboptimizacin

La filosofa del mejorami ento
Como el "incrementalismo desarticulado", la "filosofa del mejoramiento" limita el
horizonte de solucin de los autores de decisiones a alternativas que solamente se
M. en C. J os Fidencio Domingo Gonzlez Ziga 12
aplican al sistema inmediato. Churchman critica el punto de vista que prevalece,
cuando se considera comnmente el "mejoramiento" de un sistema:

Es natural esperar que el mejoramiento pueda ocurrir en ciertos sectores del sistema, sin
haber penetrado profundamente en las caractersticas del sistema total. Por ejemplo,
existe una tradicin en el pensamiento occidental, de que partes del sistema total pueden
estudiarse y mejorarse ms o menos en forma aislada del resto del sistema.
Este concepto de mejoramiento social est tan profundamente inculcado en el
pensamiento occidental, que naturalmente pensamos que es apropiado subdividir
nuestra sociedad en elementos funcionales. Pensamos que es apropiado que cada
elemento desarrolle su propio criterio de mejoramiento y que los elementos estn tan
libres como sea posible de la interferencia de las dems partes de la estructura social ...
Los hombres han olvidado un problema muy serio al definir el concepto de mejoramiento.
El problema es muy simple: cmo podemos disear un mejoramiento en grandes
sistemas, sin comprender el sistema en su totalidad, y si la respuesta es que no podemos,
cmo es posible comprender el sistema en su totalidad?

Cualquier mejoramiento de un sistema, diseado aisladamente de otros sistemas, puede
ser ptimo para ese sistema en particular. Sin embargo, al olvidar interacciones con, y
los efectos de, otros sistemas, un mejoramiento aislado no puede sino resultar en una
solucin subptima, en el contexto de un horizonte ms amplio. Buscar "mejoramientos"
mediante el anlisis de partes del sistema total, conduce a las trampas del
"incrementalismo desarticulado" por el cual, como se mencion anteriormente, "nos
alejamos de los males sociales" en vez de considerar soluciones globales. Como un
ejemplo, a travs de esfuerzos diligentes, "mejoramos" los sistemas de bienestar social
existentes. Probablemente hacemos al pobre menos pobre, pero nunca vencemos
realmente el problema de la pobreza. Adems, a travs de 6tmejoramientos de sector",
un trmino utilizado para referirse al concepto tradicional de mejoramiento de las partes,
M. en C. J os Fidencio Domingo Gonzlez Ziga 13
nos olvidamos de considerar la moralidad del sistema total. Quisiramos "juzgar
sistemas" al "observar las consecuencias de los cambios que aportamos" al sistema en
su totalidad y no solamente a un "sector" de la sociedad. . . El problema de los
mejoramientos de sistemas, es decir, el de juzgar la excelencia tica de nuestros
cambios y soluciones propuestas, es el problema de la tica del sistema global".

El enfoque de sistemas consiste en mejorar, ms all de los subsistemas. Resolver el
problema del crimen y delincuencia, consiste no slo en administrar y hacer cumplir la ley
de la manera ms estricta, aumentando las funciones de prevencin, deteccin y
custodia, sino reduciendo los cuellos de botella en las cortes y asegurando claras
adjudicaciones y disposiciones, as como mejorando la influencia de la rehabilitacin de
las instituciones correccionales. Considerados en el contexto limitado del subsistema en
el cual tienen lugar esos procesos, cualesquiera de estos objetivos y logros pueden ser
deseables y recomendables. Sin embargo, para evitar suboptimizaciones costosas,
cada una de estas acciones debe integrarse en el cuadro ms amplio y evaluarse en
relacin con su contribucin a satisfacer los objetivos de mayor alcance de sistemas
mayores. Estos sistemas mayores son el "sistema total", y ms all de ste, el "sistema
global". En el captulo 1, al tratar el problema del crimen y la delincuencia, definimos el
"sistema total" como el sistema de justicia criminal en el cual opera cada una de las
agencias y, el "sistema global", como el que comprende todos los sistemas que se
interrelacionan con el sistema de justicia criminal y que pueden influir o interactuar con
ste.

Obtener " lo ptimo" en el mundo real
Los "lmites de razonamiento" son limitaciones inherentes al individuo que lo mantienen
lejos de considerar todas las alternativas y consecuencias factibles de un problema y que
impiden calcular dnde se encuentra la solucin ptima. Podra parecer que, aun
cuando el problema es lo suficientemente simple, el individuo no est motivado para
M. en C. J os Fidencio Domingo Gonzlez Ziga 14
elegir lo ptimo. Esto se revel durante los llamados experimentos de Churchman y
Ratoosh. Durante estos experimentos, que tomaron la forma de una simulacin de
gestin, se examinaron grupos de sujetos para determinar el grado de deseo y voluntad
de obtener y adoptar la solucin ptima de un problema relativamente fcil de analizar.

Como se hizo evidente, la optimizacin en el sentido absoluto, es posible solamente en el
contexto de un modelo cerrado, como por ejemplo un modelo matemtico, donde pueden
definirse y controlarse todas las variables, parmetros y supuestos. Tenemos
soluciones ptimas de modelos, que slo son aproximaciones de pequeas porciones de
problemas del mundo real, no siempre bien comprendidas. En el contexto del sistema
total, estas soluciones constituyen suboptimizaciones, que pueden, a lo mejor, apuntar en
direccin a la alternativa ms deseable. Estamos de acuerdo con Fisher, quien expresa:

Supongo, como analista, que siempre debemos querer tratar de llegar a "soluciones
preferidas" cuando se estudian futuros cursos de accin alternativos. En forma ideal,
esto significa determinar lo ptimo -es decir, el punto en alguna superficie bien definida,
donde todas las derivadas parciales son igual a cero, y prevalecen las condiciones
apropiadas de segundo orden. Sin embargo, me permito decir que en la mayora de los
problemas de decisin de planeamiento de amplio alcance hoy en da, rara vez es
posible acercarse a algo que se parezca a una optimizacin real. Lo ms probable, si
tenemos suerte, es que obtengamos alguna nocin de los signos de las derivadas
parciales para saber si nos movemos en forma ascendente hacia el punto ptimo en un
problema de maximizacin o si nos alejamos de ste. De hecho, podra incluso
alegarse que, en la mayora de los estudios en los que he trabajado en aos recientes, a
menudo es difcil determinar en qu lugar nos encontramos, o deberamos estar.



M. en C. J os Fidencio Domingo Gonzlez Ziga 15
El problema del criterio
La optimizacin absoluta requiere la maximizacin de la funcin de utilidad total U, en
cuyo contexto deben compararse simultneamente todas las alternativas posibles,
estados de naturaleza y estrategias competitivas, para el conjunto total de variables o
criterios alternativos. Es obvio que este problema de optimizacin no puede ni formularse
ni resolverse en su totalidad. A lo ms, se compara un nmero seleccionado de
alternativas, dado un nmero limitado de criterios. La siguiente es una lista de los
errores de criterios ms comunes cometidos en la suboptimizacin, como se han reunido
de varias fuentes, en particular de McKean'O-I' y Hitch y McKean."

1. Criterio aproximado contra final
El no considerar el conjunto total de alternativas y criterios y decidirse por un criterio
"aproximado" en vez de utilizar los "finales". Los "criterios aproximados" son sustitutos
prcticos de los "finales", que nunca se logran.

2. Ignorancia de los valores absolutos
Utilizar valores relativos de logro (eficacia, desempeo) a costo, e ignorar los valores
absolutos de logro o de costo. En ocasiones, es necesario considerar las restricciones
de la situacin para eliminar una de las alternativas, e imponer un requerimiento sobre el
valor absoluto del desempeo, o un lmite en el costo total.

3. Omisin del ingreso marginal
Dadas dos o ms alternativas, es importante comparar el ingreso que puede obtenerse
de cada inversin as como calcular el beneficio marginal que puede obtenerse de la
inversin al margen o de la inversin de incremento. Un ejemplo ilustrar el punto.
Partiendo de la misma posicin inicial, una entidad considera dos posibles inversiones.
M. en C. J os Fidencio Domingo Gonzlez Ziga 16
Una primera alternativa involucro un costo de capital $55,000 con ahorros anuales
resultantes de la inversin, de $11,000 por ao, durante diez aos. La entidad
considera el costo del capital al 10%.
Una segunda alternativa involucro un capital de $85,000, con un ahorro anual de $15,000
por ao, durante 10 aos. No existe valor de recuperacin. En seguida se proporciona
el clculo de los costos anuales equivalentes.
La ganancia se obtiene en tablas de factores que convierten los valores presentes a
sumas equivalentes anuales, o viceversa.
Alternativa l. Igualando los ahorros de operacin anual a la suma anual equivalente de la
inversin de capital,



Donde
i
p
a
10

es el factor de conversin utilizado para encontrar el valor de pagos

anuales, a, dado el valor presente de la anualidad.
M. en C. J os Fidencio Domingo Gonzlez Ziga 17

Ambas inversiones dan ms del costo de capital establecido del 10%. Invertira la
agencia $55,000 u $85,000? La respuesta est en calcular el ingreso de la inversin
adicional de $30,000 -la diferencia o incremento requeridos, para pasar de la alternativa 1
a la 2. El incremento en inversin debe producir $4,000 en ahorros adicionales por ao.
Un clculo similar al anterior, revela que la inversin de incremento da menos del 6.0%,
claramente por debajo de la tasa aceptable de 10%.

Por tanto, la empresa cometerla un error si invirtiera los $30,000 extras, para obtener
solamente una ganancia del 6.0%.




La figura 13.3 ilustra los conceptos de la ganancia marginal sobre la inversin. La
ganancia puede calcularse como:
M. en C. J os Fidencio Domingo Gonzlez Ziga 18

Tasa de ganancias sobre $85,000:
10,050 / 85,000 = 0.12 (es decir, 12%)

4. Optimizacin restringida
Debemos ya sea maximizar la ganancia (o la salida) que puede obtenerse dado un
presupuesto fijo, o minimizar el costo de obtener un nivel fijo de ganancia (o de salida).
En el contexto del mismo modelo, la maximizacin o minimizacin restringidas, producen
los mismos resultados. Sin embargo, no pueden perseguirse simultneamente ambos
objetivos.

5. Implicaciones a corto plazo contra a largo plazo
En muchas situaciones, omitimos el elemento tiempo debido a nuestra incapacidad para
anticipar los efectos futuros de nuestras decisiones. Nuestra incapacidad para predecir
exactamente, explica por qu procedemos a suboptimizar a corto plazo, con "criterios
aproximados en vez de optimizar a largo plazo con criterios finales. Debemos
reevaluar continuamente las decisiones del pasado, para determinar su validez, a la luz
de las condiciones cambiantes.



M. en C. J os Fidencio Domingo Gonzlez Ziga 19
6. Trampas con el clculo de clasificaciones
Debemos evitar las trampas y falacias comunes de los que errneamente manipulan las
mediciones ordinales como si fueran de intervalo, o de los que suman, multiplican o
normalizan clasificaciones o intervalos como si fueran nmeros cardinales. Esto es un
problema de la medicin y mtodos de combinar evaluaciones y pesos relativos.
Referimos al lector a los mtodos axiomticos de estimar utilidades aditivas", y a un
tratamiento de clculo de clasificaciones. En las notas 16 y 17

El dilema entre l a optimizacin y la suboptimizacin
Hay quienes nos exigen optimizar y quienes querran que suboptimizramos:

De tener una solucin ptima pero no factible no tiene significado. Una aproximacin que
se usa puede ser mucho mejor que una solucin exacta que no se usa. Las
suboptimizaciones son tanto necesarias como inevitables. Dadas las limitaciones de
tiempo y potencial humano, una suboptimizacin puede ser el nico enfoque factible.

Qu vamos a hacer?
El dilema entre la optimizacin y la suboptimizacin, no necesita producirse, si se
mantiene claramente la dicotoma entre el mundo de los modelos y el mundo real. Toda
prueba indica que:
1. Lo ptimo y la optimizacin se usan para expresar lo "imperativo de la ciencia":
lo imperativo cognoscitivo.
2. Lo ptimo slo puede definirse y obtenerse cuando se expresa un problema como un
modelo de optimizacin.
3. La optimizacin puede definirse como la maximizacin de utilidad, en el marco de
trabajo de modelos, y la suboptimizacin, como la maximizacin de utilidad en el marco
de trabajo de las decisiones del mundo real. La "utilidad" representa aqu el compuesto
de metas y objetivos perseguidos .
M. en C. J os Fidencio Domingo Gonzlez Ziga 20
4. Cualquier cosa menor que lo ptimo, es claramente un subptimo.
5 .En el mundo real de las decisiones, lo ptimo no puede ni encontrarse ni calcularse.
Por tanto, por definicin trabajamos con suboptimizaciones o subptimos.
6. A fin de tener un objetivo en el mundo real de las decisiones, debemos postular la
existencia de un ptimo que represente la naturaleza de la "mejor solucin". En este
contexto, optimizar es trabajar en la direccin de la mejor solucin.
7. Existen suboptimizaciones buenas y malas. Definimos las buenas suboptimizaciones,
como las que contribuyen al desarrollo e implernentacin de lo que se considera
entonces como la mejor solucin. Las malas suboptimizaciones, son las que conspiran
contra el logro de la mejor solucin.

Cmo promover buenas suboptimizaciones
Si aceptamos la nocin de que estamos limitados a suboptimizar, debemos utilizar ciertos
principios que pueden dirigirnos en la lucha de mejores suboptimizaciones.
Principi o 1: Cuando se trata de un sistema jerrquico, los objetivos de sistemas ms
bajos deben estar de acuerdo con los objetivos de niveles ms elevados. Este principio
tambin puede expresarse como: los criterios de sistemas ms bajos deben concordar
con los criterios de sistemas ms elevados. El problema consiste en elegir un criterio
apropiado al nivel en el cual se toma la decisin y, al mismo tiempo, asegurar que Ios
criterios de bajo nivel nos lleven a decisiones que trabajen en favor del bienestar del
sistema en su totalidad. A niveles ms elevados, el problema es seleccionar los criterios
totales correctos, que satisfagan el mayor nmero posible de objetivos de sistemas bajos.
Es el problema de reducir objetivos mltiples en objetivos agregados, y de reconciliar los
objetivos de sistemas de niveles bajo y elevado. Sin embargo, surge un problema: no
podemos comprobar que, al satisfacer los objetivos de nivel elevado, satisfacemos los
objetivos de todos, o la mayora de los sistemas de bajo nivel. Ni podemos asegurar
que, satisfaciendo los objetivos de nivel bajo, siempre se mejoren o maximicen los de
nivel elevado.
M. en C. J os Fidencio Domingo Gonzlez Ziga 21
Principi o 2: Optimalidad de Pareto. Las suboptimizaciones deben puntualizarse y
clasificarse, de acuerdo al grado en el que stas incrementan la utilidad de cada
subsistema sin, al hacerlo, reducir la utilidad de cualesquier otros sistemas y del sistema
total. Este principio no invalida la posibilidad de intercambios entre sistemas, que pueden
tambin conducir a un mejor ptimo total. Distintas tasas marginales de sustitucin
significa que una cierta dimensin en la utilidad de un sistema, puede incrementar,
proporcionalmente ms, la utilidad de otro sistema. Negociar entre los sistemas puede
incluso dejarlos en mejores condiciones que cuando comenz el intercambio. El anlisis
de costo-beneficio, esta "fundamentado" en el principio del "mejoramiento de Pareto" "en
el cual las ganancias pueden distribuirse en tal forma que suministren un beneficio a
cada uno de los involucrados.

Principi o 3: El peligro de suboptimizaciones costosas puede reducir al extenderse el
alcance del sistema considerado. La influencia de los efectos externos o de
propagacin disminuir al "interiorizarlos" e "integrarlos" en un sistema mayor.

Principi o 4: La envergadura del sistema debe extenderse hasta el punto donde las
ventajas, derivadas de la internalizacin de los efectos externos y de propagacin,
excedan en importancia a las desventajas de tratar un sistema cuya complejidad puede
"exceder la competencia analtica". La figura 13.4 muestra el intercambio entre la
complejidad del sistema y el peligro de olvidar las externalidades y los efectos de
propagacin.
M. en C. J os Fidencio Domingo Gonzlez Ziga 22

Principi o 5: El alcance y ramificaciones de ciertos problemas pueden ser tales que no
se puedan tratar a otro nivel, excepto el ms elevado. Mientras ms bajo sea el nivel en
el que se considere un sistema, mayor ser la probabilidad de que falten o se omitan
interacciones importantes con otros sistemas.

Principi o 6: Al clasificar las suboptimizaciones, deben preferirse las que satisfacen los
requerimientos del enfoque de sistemas, a las que resultan del "incrementalismo
desarticulado" o "mejoramiento de sector".

Principi o 7: El principio de razonamiento limitado, lo interpretan Miller y Starr, como
sugerente de que no debiramos "suponer un extremo irracional del razonamiento", es
decir, puede ser ms fructfero considerar "ptimos inmediatos" en nuestra bsqueda por
el "ptimo final" y revisar varias veces nuestros objetivos y valores, a lo largo del camino."
Lo cual conduce al principio 8.

Principi o 8: " Puede mejorarse el grado de suboptimizacin con el tiempo, si se hacen
decisiones que permitan una amplia variedad de eventualidades." Nuestro conocimiento
actual del proceso de decisin, no nos permite expresar cul camino tomar en el rbol de
M. en C. J os Fidencio Domingo Gonzlez Ziga 23
decisin para llegar al ptimo global. Este problema se ha estudiado en el contexto del
proceso de investigacin y desarrollo. (R & D).

Principi o 9: Buscar el ptimo global es parecido al modelo de "medios-fines". No
sabemos si debemos trabajar hacia adelante o hacia atrs, en la cadena de medios-fines;
sin embargo, siempre debemos esforzarnos por establecer medios (fines intermedios)
que estn de acuerdo con los fines.

La teora de los sistemas jerrquicos puede utilizarse para describir la complejidad de los
sistemas. Los modelos jerrquicos que se describen ms adelante, proporcionan
respuestas adicionales al problema de distinguir las buenas suboptimizaciones, de las
malas.

APNDICE
Representacin matemtica de la teora de suboptimizacin*
Las nociones presentadas en este capitulo nos permiten dar una mayor precisin a las
relaciones entre el sistema total y los subsistemas componentes. En particular, nos
decidimos por un enfoque matemtico de teora de suboptimizacin. Intentamos
obtener proposiciones que justifiquen la bsqueda de objetivos que no sean los del
sistema total o los de los niveles de sistemas ms elevados.

El estado de un sistema puede definirse en trminos de "el conjunto total de
caractersticas medibles que un sistema demuestra en cualquier momento dado". Por lo
tanto, cuando nos referimos a un sistema, siempre nos estaremos refiriendo a su estado
y este concepto no requerir una notacin especial. El estado del sistema total se
indicar simplemente como S
i ,
el de un subsistema i, como SS
i
. Pueden hacerse los
siguientes supuestos acerca de los estados de los sistemas.
M. en C. J os Fidencio Domingo Gonzlez Ziga 24
Primero, un estado dado de S
T
debe implicar un estado especfico para su conjunto de
subsistemas [SS]. Adems, si existe una posibilidad de que SS pueda estar en un
estado dado, debe haber una descripcin instantnea de S
T
que permita ese estado.

Segundo, debe ser posible "componer" cualquiera de los dos subsistemas, en un sistema
que contenga a los dos. Debe haber algunos medios para describir el sistema total, en
trminos de las partes componentes y propiedades del sistema global, en trminos de las
propiedades de las partes. Tambin, debe haber un medio de expresar qu parte (si la
hay) de un sistema est incluida en cada uno de los dos subsistemas. Por tanto, las
operaciones "de unin" y "de interseccin" deben ser significativas.

Bajo estos supuestos, podemos continuar expresando algunas proposiciones sobre estas
caractersticas estructurales entre sistemas. Primero, debemos desarrollar nuestra
notacin de relacin. Claramente, no podemos utilizar los conceptos matemticos
estndar de "menor que", "igual a" y "mayor que", ya que nos estamos refiriendo a
estados de entidades abstractas. Evitaremos esta dificultad al aadir la nocin de
"eficacia" o "utilidad" a esos conceptos. Por lo tanto, cuando utilizamos "igual a",
daremos a entender "con la misma eficacia" (o utilidad), "menor que" significar "con
menor eficacia" (o utilidad) y "mayor que" significar "con mayor eficacia" (o utilidad).

Para establecer preferencias entre estados de sistemas, deben definirse condiciones de
orden, en conexin con la teora de medicin.

Transitivi dad: Si el estado del sistema A se prefiere, por el estado del sistema B, y el
estado del sistema B al del C, entonces se prefiere A en lugar de C, y la relacin es
transitiva.
Simetra: Si el estado del sistema D difiere del estado del sistema C, el estado
Del sistema C difiere del D y la relacin es simtrica.
M. en C. J os Fidencio Domingo Gonzlez Ziga 25
Asimetra: Si el estado del sistema D se prefiere por el estado del sistema C, no
puede preferirse C por el estado del sistema D, y la relacin es asimtrica.

Estas relaciones se utilizarn en la siguiente seccin, para establecer proposiciones entre
estados y conjuntos de sistemas.
Mediante nuestra definicin de descomposicin, sabemos que la unin de un conjunto de
subconjuntos generado por descomposicin, es equivalente (en el sentido matemtico
estndar), al sistema total del cual se descompusieron. De la misma manera, la
interseccin de un conjunto de subconjuntos generado por una descomposicin, resulta
en el conjunto nulo, o vaco. Por tanto, no hay ningn problema al expresar que la unin
de los subconjuntos es mayor que el sistema total ya que ningn para de SS
i
, tiene
partes en comn.

No podemos abordar los problemas de optimizacin y suboptimizacin con nuestras
relaciones de notacin de sistemas y subsistemas. La optimizacin requiere que la
funcin objetivo se minimice o maximice, tomando en cuenta todas las variables,
alternativas y estados de naturaleza. Debido a nuestro limitado razonamiento y a la falta
de disponibilidad de informacin exacta y completa, rara vez se logra la optimizacin
fuera de modelos matemticos cerrados. Los problemas del mundo real pueden
expresarse rara vez en estos trminos, de manera que debemos casi necesariamente
suboptimizar, trabajar dentro de un marco de trabajo de decisin limitada. Los teoremas
y proposiciones desarrollados a continuacin intentan aclarar ese hecho.

Aqu, como antes, debemos considerar slo los estados de sistemas y el conjunto de
subsistemas, generados por una descomposicin. Denotaremos el estado ptimo de un
sistema por un doble asterisco (**), y el estado subptimo por un solo asterisco (*). Por
estado subptimo damos a entender la "mejor" suboptimizacin que puede lograrse
dentro del marco de trabajo del sistema dado. Por ejemplo, SS* denota un estado
M. en C. J os Fidencio Domingo Gonzlez Ziga 26
subptimo para el subsistema SS y [SS
i
**], (i =1 ... m), denota estados ptimos del
conjunto de subsistemas de S
T


Proposiciones relacionales de l a teora de suboptimizacion
Proposicin 1: El estado subptimo de un sistema compuesto de subsistemas, no es
tan eficiente como el estado ptimo para ese sistema.
[SS

] * <[SS
i
]** (1)
Justificacin: Esta proposicin se deriva directamente del principio de racionalidad, de
acuerdo con el cual el autor de decisiones busca el estado ptimo para el sistema. Por
definicin, un estado subptimo no es tan eficiente como un estado ptimo.

Corolario: La proposicin 1 puede extenderse al sistema total compuesto de otros
sistemas: Un estado subptimo del sistema total no es tan eficiente como el estado
ptimo del sistema total:
ST * <ST ** (2)
Proposicin 2: La optimizacin de cada subsistema de un conjunto de subsistemas
resulta en un estado subptimo para el sistema compuesto de todos los subsistemas.
Escribimos que la "unin del conjunto de subsistemas optimizados" conduce a "un estado
subptimo para el sistema [SS

]":

Justificacin: Optimizar significa maximizar absolutamente los objetivos de cada
subsistema, sin que importen los otros objetivos de subsistema o los objetivos del
sistema compuestos de todos los dems subsistemas. Esto resulta en una
suboptimizacin del conjunto de los subsistemas.

Corolario: La optimizacin de cada uno de los conjuntos de subsistemas resulta en
un estado subptimo del sistema total:
M. en C. J os Fidencio Domingo Gonzlez Ziga 27

Justificacin: ste es solamente el caso general de la proposicin 2. En vez de tratar un
sistema compuesto de subsistemas, consideramos el sistema total que abarca a todos
los dems.

Proposicin 3: Optimizar cada uno de los subsistemas en un sistema es menos eficiente
que el estado ptimo del sistema.


Proposicin 4: Optimizar el estado del sistema total resulta en estados subptimos para
el conjunto de subsistemas componentes:
M. en C. J os Fidencio Domingo Gonzlez Ziga 28




M. en C. J os Fidencio Domingo Gonzlez Ziga 29
Corolario 2: Optimizar a nivel de subsistemas es menos eficiente que suboptimizar a ese
nivel. Esto es una repeticin y generalizacin de la proposicin 5 y de su primer
corolario.
Las proposiciones y sus corolarios, son sustitutos dbiles para teoremas y pruebas.
Estas proposiciones deben comprobarse y validarse empricamente. Claramente, es
necesario un trabajo mayor para obtener una teora rigurosa de suboptimizacin.
Mientras tanto, estas proposiciones proporcionan un marco de trabajo conceptual, para
estudiar las ventajas y desventajas de las suboptimizaciones concertadas, contra
optimizaciones de sistemas complejos. Estas proposiciones complementan los princi-
pios antes mencionados, que intentan conducir a mejores suboptimizaciones.

Se recomienda que en vez de optimizar, los autores de decisiones busquen suboptimizar
deliberadamente. Una combinacin de subptimos puede ser una mejor solucin que
una combinacin de ptimos que no satisfagan la interrelacin de restricciones u
objetivos que necesariamente existen en la jerarqua de sistemas.

Claramente, nuestra tarea se basa en administrar "un mundo de complejidad", sin
importar si ste es natural o elaborado por el hombre. Se describieron varios mtodos
por los cuales intentamos enfrentar la complejidad y su masa de vnculos e
interrelaciones. Hasta la fecha los mejores esfuerzos han sido los enfoques empricos
que tratan la complejidad a micronivel, como en el rea de la educacin, entrenamiento,
programacin de computadora, sistemas de produccin. Ah, puede verse", "sentirse",
comprenderse y medirse la complejidad. Se espera que estos mtodos puedan
extenderse posteriormente al macronivel para desarrollar enfoques y formular polticas en
sistemas mayores. Estos esfuerzos slo tendrn xito si hacemos caso de la
advertencia de Stafford Beer, de que las soluciones que son adecuadas para modelos,
pueden no aplicarse al mundo real. No caigamos en la trampa de tratar la complejidad
de subrogados, en vez de la complejidad de la "cosa real".
M. en C. J os Fidencio Domingo Gonzlez Ziga 30
N 0 T A S DE OPTIMIZACIN
1 E.K. Bowen, Mathematics with Applications in Management and Economics (ed. rev.),
Homewood, Ill.: lrwin, 1967.
2 C.A. Theodore, Applied Mathematics: An Introduction, Homewood, lil: Irwin, 1965, cap.
11.
3 R.C. Meier, "Programrning of Recreatinal Land Acquisition", Socio-Economic Planning
Sciences, 2, nm. 1, octubre, 1968, pg. 16.
4 Bowen, op. cit.
5 Theodore, op. cit.
6 Gene K. Groff y J ohn F. Muth, Operations Management: Analysis for Decisions,
Homewood, Ili: lrwin,1972.
7 E.H. Bowman y R.B. Fetter, Analysis for Production Management (tercera ed.),
Hornewood, Ill.: lrwin, 1967.
8 N.P. Loonba y E. Turban, Applied Programming for Management, Nueva York: Holt,
Rinehart y Winston, 1974, en particular los captulos 1, 3, 4 y 5. Vase tambin E. Turban
y N.P. Loomba, Readings in Management Science, Dalias: Business Publications, 1976 y
E. Turban y J . Meredith, Fundamentais of Management Science, Dalias: Business
Publications, 1977.
9 J .L. Riggs y M.S. lnoue, Introduction lo Operations Research and Management Science,
Nueva York: McGraw-Hill, 1975. Este libro caracteriza un enfoque nuevo que aplica los
algoritmos a la conversin de las fuentes a travs de los procesos.
10 E.S. Buffa y J .S. Dyer, Management SciencelOperations Research, Nueva York: Wiley,
1977.
11 T.S. Cook y R.A. Russell, Introduction lo Management Science, Englewood Cliffs, N.J .:
Prentice-Hall, 1977.
12 Arthur M. Geoffrion (dir.), Perspectives on Optimization, Reading, Mass.:
Addison-Wesley, parte II.
M. en C. J os Fidencio Domingo Gonzlez Ziga 31
13 E. Bartee, "Problem Solving with Ordinal Measurement", Management Science, 17,
nm. 10, junio, 197 l, pgs. B-622 - B-633.
14 A. Charnes y W. W. Cooper, Management Models and Industrial Applications of
Linear Programming. Nueva York: Willey, 1961; A. Charnes, W.W. Cooper, y R.
Ferguson, "Optimal Estimation of Executive Compensation by Linear Programming",
Management Science, l, 1955, pgs. 138-151; y A. Charnes et al., "A Goal Programrnng
for Meda Planning", Management Science, 14, 1968, pgs. 423430.
15 Y. ljiri, Management Goals and Accounting for Control. Chicago: Rand McNally,
1956; S.M. Lee, "Decision Analysis through Goal Prograrnming", Decision Sciences, 2,
1971, pgs. 172-180; S. M. Lee, Goal Programming for Decision Analysis, Filadelfia:
Auerback, 1972; y S.M. Lee, "Goal Programming for Decision Analysis of Multiple
Objectives", Sloan Management Review, 14, 1975, pgs. 11-24.
16 S.M. Lee y E.R. Clayton, "A Goal Programming Model for Academic Resource
Allocation", Managemeni Science, 18, 8, abril, 1972, pgs. 395-408; S.M. Lee y A. Lerro,
"Optimizing Portfolio Selection for Mutua Funds", Journal of Finance, 28, 1973, pgs.
1087-1 101; S.M. Lee y L.J . Moore, "Optimizing Transportation Problems with Multiple
Objectives", AIEE Transactions, 5, 1973, pgs. 333-338; S.M. Lee y R. Ncely, "Goal
Programming for Marketing Decisions: A Case Study", Journal of Marketing, 38, 1974,
pgs. 24-32; L. Kornbluth, "A Survey of Goal Programming", Omega, 1, nm. 2, 1973,
pgs. 193-205; A. Walters, J . Mangold y E.G.P. Haran, "A Comprehensive Planning
Model for Long-Range Academic Strategies", Management Science,22, 7, marzo 1976,
pgs. 727-738; E.R. Clayton y L.J . Moore, "Goal versus Linear Programming", en E.
Turban y N.P. Loomba (dir.), Reading in Management Science, Dallas, Texas: Business
Publications, 1976, cap. 3 y A. Charnes, W.W. Cooper et al., "A Goal Interval
Programming Model for Resource Allocation in a Marine Environmental Protection
Program", Journal of Environmental Economics andmanagement, 3,1976, pgs. 347-362.
17 Gilles Laurent, "A Note on Range Programming: Introducing a 'Satisficing Range' in a
L.P.", ,Vanagement Science, 22, nm. 6, febrero, 1976, pgs. 713-716; A. Walters, J .
M. en C. J os Fidencio Domingo Gonzlez Ziga 32
Mangold y E.G.P. Haran, "A Comprehensive Planning Model for Long-Range Academic
Strategies", Management Science, 22, nm. 7, marzo, 1976, pgs. 727-738.
18 J .S. Dyer, "Interactive Goal Programming", Management Science, 19, nm. l,
septiembre, 1972,
pgs. 62-70.
19 S.M. Lee, "Interactive and Integer Goal Programming", Trabajo presentado en la J oint
ORSAI TIMS Meeting, Las Vegas, Nevada, noviembre 1975.
20 E. S. Buffa y J .S. Dyer, Management SciencelOperations Research, op. cit., cap. 17.
21 Ibid., cap. 18.
22 Ibid., cap. 10; y V. Narayan Bhat, "Sixty Years of Queueing Theory", Management
Science, 15, nm. 6, febrero, 1969, pgs. B-280 - B-294.
23 Buffa y Dyer, op. cit., cap. 16, y Feoffrion, op. cit., parte IV.

N 0 T A S DE SUBOPTIMIZACIN
1 D. Braybrooke y C.E. Lindblom, Strategy of Decision, Nueva York: Free Press, 1963,
pgs. 71, 74.
2 Ibid., pg. 40.
3 Ibid., pgs. 48-57. Para otro punto de vista del mapa de decisiones para diferentes
situaciones del conocimiento y control, refirase a: R.J . Wolfson y T.M. Carroll,
"Ignorance, Error, and Information in the Classic Theory of Decision", Behavioral Science,
21, nm. 2, marzo, 1976, pgs. 107-115.
4 C.W. Churchman, The Challenge to Reason, Nueva York: McGraw-Hill, 1968, pg. 2. El
nfasis es mo.
5 Ibid., pgs. 4-5, 15-16.
6 L.L.D. Shaffer y R.B. Collins, "Automobiles and the Scrap Steel Industry of Oregon",
Oregon Business Review, 29, nm. 8, agosto, 1970.
7 J an H.B.M. Huysmans, The Implementation of Operations Research, Nueva York: Wiley,
1970, pg. 18.
M. en C. J os Fidencio Domingo Gonzlez Ziga 33
8 G.H. Fisher, "The Analytical Bases of Systems Analysis", (o 1966, The Rand
Corporation, Santa Monica, Calif., en D.I. Cleland y W.R. King (dirs.), Systems,
Organizations, Analysis, Management: A Book of Readings, Nueva York: McGraw Hill,
1969, pgs. 206-215.
9 M.W. Lifson, "Value Theory", en J . Morley English (dir.), Cost-Effectiveness: Economic
Evaluation of Engineered System, Nueva York: Wiley, 1968, cap. 6.
10 R.N. McKean, Efficiency in Government Through Systems Analysis. Nueva York:
Wiley, 1958, pgs. 29-30.
11 R.N. McKean, "Criteria", en E.S. Quade (dir.), Analysis of Military Decisions.
Chicago: Rand McNally, 1967, cap. 5.
12 C.J . Hitch y R.N. McKean, The Economics of Defense in the Nuclear Age, Nueva
York: Atheneum, 1967, cap. 9.
13 J ames L. Riggs, Production Systems: Planning, Analysis and Control (segunda ed.),
Nueva York: Wiley, 1976, pg. 124.
14 A.D. Kazanowski, "A Standardized Approach to Cost Effectiveness Evaluations", en J .
Morley English (dir.), cap. 7.
15 P.C. Fishburn, "Methods of Estimating Additive Utilities", Management Science, 13,
nm. 7, marzo, 1967.
16 P.C. Fishburn, Utility Theory and Decision Making, Nueva York: Wiley, 1970.
17 M.G. Kendall, Rank Correlation Methods (cuarta ed.), Londres: Griffin, 1970.
18 S. Young, "Organization as a Total System", California Management Review, 10, nm.
3, primavera, 1968; reimpreso por Cleland y King (dirs.), pg. 61.
19 Russell L. Ackoff, "The Development of Operations Research as a Science", en A.
Schuchman (dir.), Scientific Decision Making in Business, Nueva York: Holt, Rinehart y
Winston, 1963, pgs. 59-60, como se cit en Young, pg. 61.
20 Hitch y McKean, pg. 129.
21 E.S. Quade, "Methods and Procedures", en E.S. Quade (dir.), Analys is for Military
Decisions, Chicago: Rand McNally, 1967, pg. 159.
M. en C. J os Fidencio Domingo Gonzlez Ziga 34
22 Estoy en deuda con la seorita Toni Cox y con Tim Lowry por la sugerencia de estas
definiciones en su trabajo: Operations Research: Systems and Suboptitnization, School of
Business Administration, California State University, Sacramento, Calif., enero, 1971, pg.
15.
23 Hitch y McKean, pg. 129.
24 McKean, "Criteria", pg. 90.
25 Quade, pg. 160.
26 D.W. Miller y M.K. Starr, Executive Decisions and Operations Research (segunda ed.).
Englewood Cliffs, N.J .: Prenticc-Hall, 1969, pg. 56.
27 E.J . Mishan, "Cost-Benefit Rules for Poorer Countries-A Review Article", Canadian
Journal of economics, 4, enero-febrero, 1971, pgs. 86-98.
28 Hitch y McKean, pg. 13 l.
29 Quade, pg. 162.
30 Hitch y McKean, pg. 130.
31 Miller y Starr, pg. 50.
32 Ibid., pgs. 56-57.
33 William J . Abernathy y Richard S. Rosenbloom, "Paraliel Strategies in Development
Projects", Munageiyzent S(,ieiic,e, 15, nm. 10, junio, 1969, pgs. B-486-B-505.
34 T. Marschak, T.K. Glennan, J r. y R. Summers, Strategyfor R & D: Studies in the
Microeconomics of developinent, Nueva York: Springer-Verlag, 1967.
35 H.A. Simon, Administrative Behavior (tercera ed.), Nueva York: MacMillan, 1977.

NOTAS DEL APNDICE
1 H.A. Simon, "The Architecture of Complexity", Proccedings of the American
Philosophical Sociely, 106, nm. 6, 1962, pgs. 467-482; reimpreso en H.A. Simon, The
Sciences of the Artificial, Cambridge, Mass.: M.I.T. Press, 1969, pg. 1 1 S. Las pginas
de referencia corresponden al volumen M.I.T. 2 M. Ways, "Don't We Know Enough to
Make Better Public Policies", Fortune Magazine, abril 1971.
M. en C. J os Fidencio Domingo Gonzlez Ziga 35
3 D. Wilson, "Forms of Hierarchy: A Selected Bibliography", General Systetm, 14, 1964,
pgs. 3-15. 4 E. Laszo, "A General Systems View of Evolution and Invariance", General
Systenu, 19, 1974, pgs. 37-43; H.H. Pattee (dir.), Hierarchy Theory, Nueva York:
4 Braziller, 1973, en particular el cap. 4 y posdata.
5 Simon, pg. 86 . Para las diferencias entre los sistemas de complejidad organizada y
desorganizada, vase cap. 2.
6 A. H. Maslow, Motivation and Personality, Nueva York; Harper & Row, 1954.
7 J ames V. Clark, "Motivation in Work Groups: A Tentative View", Human Organization,
19, 1960-61, pgs. 199-208.
8 Simon, "The Architecture of Complexity", pg. 105.
Ibid., pgs. 103-106.
10 Ibid., pie de pgina, pg. 108.
1 1 Ibid., pgs. 106-108.
12 Mansanao Toda y Emir H. Shuford, J r., "Logic of Systems: Introduction to a Formal
Theory of Structure", General Systems, anuario de la Society for General Systems
Research, 10, 1965, pgs. S-9.
13 H.A. Simon, The Shape of Automation, Nueva York: Harper & Row, 1965, pg. 58.
14 A. Newell, "Heuristic Programming: I 1 1 -Structured Problems", en J ulius Aronovsky
(dir.), Progress in Operations Research, Vol. Ill. Nueva York: Wiley, 1966, pg. 365.
15 Ibid., pgs. 371-373. La diferencia entre los algoritmos y los heursticos se analiz
en el captulo 9 de este libro.
16 Ibid., pg. 374.
17 Simon, pg. 1 10.
18 Newell, pgs. 375, 404. Para el origen de los conceptos "conocimiento de
resultados" y "conocimiento del desempeo", vase cap. 17 de este libro.
19 E. Yourdon, Design of On-Line Computer Systems, Englewood Cliffs, N. J .:
Prentice-Hall, 1972; B. Kernighan y B. Plauger, Software Tools, Nueva York:
Addison-Wesley, 1976; R. Kernighan y B. Plauger, The Elements of Programming Style,
M. en C. J os Fidencio Domingo Gonzlez Ziga 36
Nueva York: McGraw-Hill, 1974; E. Yourdon, Techniques of Program Structure and
Design, Englewood Cliffs, N.J .: Prentice-Hall, 1975; E. Yourdon y L. Constantine, Nueva
York: Yourdon, 1975; y E. Yourdon, C. Gane y T. Sarson, Learning to Program in
Structured COBOL, Nueva York: Yourdon, 1976.
20 Lyall L. Braidwood y R.W. Kuhnel, "A Comparison of Computer Algorithm
Representation Methods", B.A. 210 Research Methodology Project, y L. Hanger.
"Structured Design and Complex Systems", B.A. 214 Paper, School of Business and
Public Administration, California State University, verano y otoo 1976, respectivamente.
21 J . Bright, Automation and Management, Cambridge, Mass.: Harvard University Press,
1958.
22 E.R. Crossman y S. Laner, The Impact of Technological Change on Manpower
and Skill Demand: Case Study Data and Policy Implicalions. Preparado para el U. S.
Department of Labor, Manpower Administration, Berkeley, Calif.: University of California,
Department of Industrial Engineering and Operations Research, 1969; y J ohn P. van
Gigch, The Impact of Technology on the Mental Content of Work in Industrial Operations,
tesis doctoral indita, Corvallis, Ore.: Oregon State University, 1968.
23 J ohn P. van Gigch, "A Model and Applications of a Model for Measuring the
Information Processing Rates and Mental Load of Complex Activities", Canadian
Operational Research Journal, 8, nm. 2, julio 1970; nm. 3, noviembre 1970. Vase
tambin por el mismo autor: "Ctianges in Mental Content of Work Exemplified by Lumber
Sorting Operations" y "A Process Computer's Contribdtion to the Reduction of Mental
Effort and to the Handling of Systems Malfunctions", International Journal of
Man-Machine Studies, 3, 197 1, pgs. 13-29, y 3, 197 1, pgs. 201-218, respectivamente.
24 J ohn P. van Gigch, "The Physical and Mental Load Components of Objective
Complexity in Production Systems", Behavioral Science, 2 1, nm. 6, noviembre, 1976,
pgs. 490-498.
25 M.D. Mesarovic, D. Macko y Y. Takahara, Theory of Hierarchical, Multilevel Systems,
Nueva
M. en C. J os Fidencio Domingo Gonzlez Ziga 37
York: Academic Press, 1970.
26 H.W. Kuhn y A.W. Tucker, "Non-Linear Programming", en J . Neyman (dir.),
Proceedings of
the Second Berkeley Symposium on Mathematical Statistic and Probability, Berkeley,
Calif.: University of California Press, 195 l.
27 T.C. Koopmans, "Analysis of Production as an Efficient Combination of Activities", en
T.C. Koopmans (dir.), Activity Analysisof Prodiction and Allocation, Cowles Commission
Monograph nm. 13, Nueva York: Wiley, 1951.
28 T. Marschak, "Centralization and Decentralization in Economic Organizations",
Econometrica, 27, nm. 3, julio, 1959.
29 George Dantzig y Philip Wolfe, "Decomposition Principles for Linear Programming",
Operations Research, 8, nm. 1, 1960.
30 J erome E. Hass, "Transfer Pricing in a Decentralized Firm", Management Science, 14,
nm. 6, febrero, 1968, pgs. B-31 1 -B-33 l.
31 Andrew Whinston, "Price Guides in Decentralized Organizations", en W.W. Cooper,
Harold J . Leavitt y Maynard W. Shelley, 11 (dirs.), New Perspectives in Organization
Research, Nueva York: Wiley, 1964, pg. 405-448.
32 A. Charnes, R.W. Clower y K.O. Kortanek, "Effective Control Through Coherent
Decentralization with Preemptive Goals", Econometrica, 35, nm. 2, abril, 1967.
33 T.W. Ruefli, "A Generalized Goal Decomposition Model", Management Science, 17,
nm. 8,
abril, 1971, pgs. B-505-B-518.
34 T. W. Ruefii, "Behavioral Externalities in Decentralized Organizations", Management
Science, 9, nm. 5, junio, 1971, pgs. B-649-B-657.
35 S.F. Maier y J .H. Vander Weide, "Capital Budgeting in the Decentralized Firm",
Management Science, 23, nm. 4, diciembre 1976, pgs. 433-443.
M. en C. J os Fidencio Domingo Gonzlez Ziga 38
36 R.G. Cassidy, M.J .L. Kirby y W.M. Raike, "Efficient Distribution of Resources Through
Three Levels of Government", Management Science, 17, nm. 8, abril 1971, pgs.
B-462-B-473.
37 LeRoy J . Krajewski y L.P. Ritzman, "Disaggregation in Manufacturing and Service
Organizations: Survey of Problems and Research", Decision Sciences, 8, nm. 1, enero,
1977, pgs. 1-18.
38 W.T. Morris, Decentralization in Management Systems: An Introduction to Design.
Athens: Ohio University Press, 1968; Manfred Kochen y Karl W. Deutsch,
"Decentralization by Function and Location", Management Science, 19, nm. 8, abril,
1973, pgs. 841-856.
39 W.J . Baumol y T. Fabian, "Decomposition Pricing for Decentralization and External
Economies", Management Science, 11, 1964, pgs. 1-3.
40 Stafford Beer, "The Worid We Manage", Behavioral Science, 18, nm. 3, mayo, 1973,
pgs. 198209; "Managing Modern Complexity" y "The Surrogate World We Manage", en
Pialformfor Change, Nueva York, Wiley, 1975, pgs. 219-241, 397-416, respectivamente.
41 Toda y Shuford, pg. 10.
42 Los conceptos de "composicin" y "componer" considerados como lo contrario de
"descomposicin" y "descomponer" se deben tambin a Toda y Shuford, op. cit. pg. 9.
43 Intertialional Journal of General Systems, edicin especial: "System Complexity", 3,
nm. 4, 1977, pgs. 195-271.
44 Al incluir ms sistemas con el fin de evitar soluciones parciales, el problema se lleva al
reino de la complejidad no resuelta. Por lo tanto, la pregunta es: Hasta qu punto
deben tomarse en cuenta los lmites del sistema? Checkland [Int. Journal of General
Systems, 3, 1976], pgs. 127-134, introduce el concepto sistema relevante, el cual define
un nivel en que se satisfacen los objetivos de holismo (la cor.sideracin de conjuntos
como sistemas de actividad humana), factibilidad y solubilidad (la consideracin de
cambios deseables y reales, respectivamente) y realismo (el acuerdo entre un modelo
conceptual y una cosmovisin de sistema deseada).
M. en C. J os Fidencio Domingo Gonzlez Ziga 39
Bibl iografa
Van Gigch J . P.: Teora General de Sistemas, 2 ed. Editorial Trillas, Mxico 1989, pp.
331 a 389.
Hall A.: Ingeniera de Sistemas, CECSA, Mxico 1981, pp. 152 a 154