INSTITUTO TECNOLÓGICO DE TEPIC

“PROGRAMACIÓN POR METAS”

Investigación

Alumno:
Ávila Hernández Karla Estephanía.

Profesor:
Guerrero Medina Manuel. Investigación de Operaciones II.
Ing. Industrial

Tepic, Nayarit 20 de Junio del 2019.

 Índice

Introducción ....................................................................................................................... 2

1.1 Definición y conceptos generales ........................................................................ 3

1.2 Modelo general de Metas ....................................................................................... 6

1.3 Diferencias entre modelo lineal y modelo metas ........................................... 10

1.4 Modelos de una sola meta ................................................................................... 11

1.5 Modelos de metas múltiples ................................................................................. 13

1.6 Modelos de submetas dentro de una meta .................................................... 15

1.7 Métodos de solución ............................................................................................... 16

1.8 Uso de Software ........................................................................................................ 18

Conclusión......................................................................................................................... 21

Bibliografía ......................................................................................................................... 22

1
 Introducción

La investigación de operaciones ayuda en la toma decisiones para realizar

un objetivo que se tenga en mente, lo cual dé como resultado un criterio de
optimización de costos o de recursos, dependiendo lo que se requiera, pero
claro está que cada persona tiene un criterio diferente y es la razón por la
cual cada uno tiene una perspectiva diferente de ver las cosas, es por eso
que existen varios métodos para poder llegar al objetivo deseado.

Pero así como hay decisiones no tan complicadas por el contrario, existen
algunas en las que se debe de llegar a un estudio más profundamente, ya
sea por las consecuencias que generaría dicha decisión o la dificultad de
poder llevarla a cabo, provocando que no pueda realizarse a través de un
sistema metodológico.

Un ejemplo de la implementación de la investigación de operaciones es que

hoy en día las grandes empresas tienen problemas muy complejos, que
quizá en el estudio serán casos prácticos, pero la realidad es que en la vida
común cuando se lleva a cabo la práctica de alguna situación, es bastante
diferente a lo que se solía ver, es por eso que hay que estar preparado y ser
conscientes de que allá afuera habrá problemas de mayor dificultad.

2
 1.1 Definición y conceptos generales

La investigación de operaciones es un método que lleva a cabo la solución

de problemas, lo cual a base de herramientas que ejemplifican la situación
real se pueden resolver modelos matemáticos con el propósito de crear un
análisis y concluirlo para llevar una decisión de acuerdo a la problemática.

"La Investigación de Operaciones es la aplicación, por grupos

interdisciplinarios, del método científico a problemas relacionados con el
control de las organizaciones o sistemas a fin de que se produzcan
soluciones que mejor sirvan a los objetivos de toda organización."

(Wiley, 1968)1

A través de la investigación de operaciones se espera que a base de las

soluciones se tome la mejor decisión que más convenga dependiendo la
situación, a comparación si se tomara simplemente haciendo uso de la
intuición o experiencia.

Un modelo de optimización considera como función objetivo el minimizar

como por ejemplo los costos, recursos, etc. Y también está constituido a
base de metas y restricciones que adoptan formas de ecuaciones que
representan la problemática.

En lo que se enfoca la Investigación de Operaciones es llevar a cabo un

modelo, que es la base que ayuda a dar una visión de cómo está
estructurada la realidad, es así como el propósito de dicho modelo es
brindar un medio para poder analizar el comportamiento con el fin de poder
optimizar lo que se requiera.

Teniendo el modelo es fácil llegar a la solución ya que existen programas

que llegan a las soluciones óptimas.

1 3
El proceso con la construcción de un modelo podría ser el siguiente:

(GEO, 2015)

Definición del problema: Se debe definir el problema para el cual se busca

proponer un curso de acción. ¿Es un problema relevante? ¿Es posible tomar
una buena decisión sin la necesidad de resolver un modelo de
optimización? ¿Cuáles son sus alcances? ¿Cuáles son los factores que
influyen en el desempeño del sistema?, etc. La calidad del modelo de
optimización dependerá en gran parte de la asertividad en la definición del
problema de decisión. (GEO, 2015)2

Construcción de un modelo: Un modelo de optimización considera

necesariamente una abstracción o simplificación de la realidad. Por un lado
se busca que el modelo sea representativo del problema real que se busca
representar pero que al mismo tiempo sea simple de modo de favorecer su
resolución haciendo uso de un algoritmo. (GEO, 2015)3

Solución del modelo: Una vez construido el modelo de optimización se

deben identificar las alternativas de resolución para el mismo. Para ello se
puede hacer uso de programas computacionales que utilizan algoritmos de
resolución específicos dependiendo de las características del modelo.
Por ejemplo, para resolver un problema de Programación Lineal (las
variables de decisión se representan como funciones lineales tanto en la
función objetivo como restricciones) se puede utilizar el Método Simplex.
(GEO, 2015)4

2 4
3
4
Validación: Se verifica que la solución alcanzada cumpla con las
condiciones (restricciones) impuestas al problema. (GEO, 2015)5

Implementación y control de la solución: Una vez verificada la solución se

procede a su implementación. Cabe destacar que esto puede dar lugar a
actualizaciones del modelo de optimización tanto en términos del modelo
como el valor de los parámetros estimados.
En la actualidad el uso de modelos de optimización es cada vez más
frecuente en la toma de decisiones. Este mayor uso se explica,
principalmente, por un mejor conocimiento de estas metodología en las
diferentes disciplinas, la creciente complejidad de los problemas que se
desea resolver, la mayor disponibilidad de software y el desarrollo de nuevos
y mejores algoritmos de solución. (GEO, 2015)6

5 5
6
 1.2 Modelo general de Metas

La forma del modelo de programación lineal sigue siendo la misma en

programación por meta, es decir, también se tiene una función objetivo que
optimizar sujeta a una o más restricciones. Sin embargo se agregarán dos
conceptos nuevos. El primero es el de las restricciones de meta en lugar de
las restricciones de recurso que se han analizado. El segundo concepto es el
de rango de prioridad entre las funciones de objetivo. Una vez que se
establece un problema en el formato del modelo general de programación
lineal, para obtener la solución puede aplicarse el método simplex
modificado solo para tomar en cuenta las prioridades. (Iñiguez, 2017)7

La programación por metas se utiliza cuando se tienen varios objetivos o

metas y se desea una solución que este a favor de lo que queremos la cual
sea la mejor.

El primer paso en la formulación de un modelo de programación por metas

consiste en fijar los atributos que se consideran relevantes para el problema
que se está analizando. Una vez establecidos los atributos, se pasa a
determinar el nivel que corresponde a cada atributo. Seguidamente, se
conecta el atributo con el nivel de aspiración, por medio de la introducción
de las variables de desviación negativa y positiva, respectivamente. Así para
el atributo i-ésimo, se tiene la siguiente meta: donde, como es habitual, f(x)
representa la expresión matemática del atributo i-ésimo, Ti su nivel de
aspiración, ni y pi las variables de desviación negativa y positiva,
respectivamente. (Iñiguez, 2017)8

La estructura de cada meta seguiría este modelo:

fi(x) + ni – pi = ti

En la expresión anterior fi(x) representa la expresión matemática de la meta,

a la que se le añaden dos variables de desviación (ni y pi). La primera, ni,
representa un valor faltante para llegar a la meta. La segunda variable de
desviación pi, representa un valor excedente por sobre la meta. (Iñiguez,
2017)9

7 6
8
9
Como un nivel de aspiración no puede simultáneamente sobrepasarse y
quedar por debajo de él, al menos una de las dos variables de desviación
tomarán valor cero cuando la meta alcanza exactamente su nivel de
aspiración.

Una variable de decisión se dice que no es deseada cuando al centro

decisor le interesa que la variable en cuestión alcance su valor más
pequeño (esto es cero). Finalmente, cuando se desea alcanzar
exactamente el nivel de aspiración tanto la variable de desviación negativa
como la positiva son variables no deseadas y por tanto variables a minimizar.
(Iñiguez, 2017)10

Existen cuatro formas de restricciones de objetivos, según se permita

variación hacia arriba o hacia abajo:

 CASO 1: Se permiten desviaciones en ambas direcciones.

 CASO 2: Solo se permiten desviaciones hacia abajo.
 CASO 3: Solo se permiten desviaciones hacia arriba
 CASO 4: No se permiten desviaciones.

El significado de las variables de desviación no deseadas puede clarificarse

por medio del siguiente cuadro.

Metas y variables de desviación

Forma inicial de la meta Forma de la meta Variable de desviación no

transformada deseada (a minimizar)
Fi(x) ti fi(x) ni pi = ti ni

Fi(x) ti fi(x) ni pi = ti pi

Fi(x)=ti fi(x) ni pi = ti ni pi

(Iñiguez, 2017)11

10 7
11
 Ejemplo (basado en Taha, 2012):

En cierto país de 20 000 habitantes se tienen las siguientes bases tributarias: 550
millones por predial. 35 millones por alimentos y medicinas. 55 millones por
ventas. El consumo anual de gasolina es de 7.5 millones de galones.

Se tienen las siguientes metas:

1. Tener un ingreso por impuestos de 16 millones.

2. Que el impuesto para alimentos y medicinas no exceda el 10% del total de
impuestos
3. Que el impuesto sobre ventas no exceda el 20% del total de impuestos.
4. Que el impuesto para gasolina no exceda de 2 centavos por galón.
Así es que las variables serían:

 X1 = tasa tributaria predial

 X2 = tasa tributaria por alimentos y medicinas
 X3 = tasa tributaria por ventas
 X4 = impuesto para gasolina en centavos por galón.

Metas

Las metas quedarían expresadas de la siguiente forma:

1. Tener un ingreso de impuestos de 16 millones.

550x1 + 35x2 + 55x3 + 0.075x4 >= 16

2. Que el impuesto para alimentos y medicinas no exceda el 10% del total de

impuestos
35x2 <= .1 (550x1 + 35x2 + 55x3 + 0.075x4)

Haciendo las operaciones correspondientes, y simplificando, la meta anterior

quedaría:

55x1 – 31.5x2 + 5.5x3 + 0.0075x4 >= 0

8
3. Que el impuesto sobre ventas no exceda el 20% del total de impuestos.
55x3 <= .2 (550x1 + 35x2 + 55x3 + 0.075x4)

Haciendo las operaciones correspondientes, y simplificando, la meta anterior

quedaría:

110x1 + 7x2 – 44x3 + 0.015x4 >= 0

4. Que el impuesto para gasolina no exceda de 2 centavos por galón.

x4 <= 2

La planificación por metas (incluyendo las variables de desviación) sería:

550x1 + 35x2 + 55x3 + 0.075x4 + n1 – p1 = 16

55x1 – 31.5x2 + 5.5x3 + 0.0075x4 +n2 – p2 = 0

110x1 + 7x2 – 44x3 + 0.015x4 +n3 – p3 = 0

X4 + n4 – p4 = 0

Las variables de desviación no deseadas serían: n1, n2, n3, p4.

La función de logro sería:

Min g(n1, n2 , n3, p4)

(C., 2017)12

12 9
 1.3 Diferencias entre modelo lineal y modelo metas

Modelo Lineal Modelo Meta

Usa un solo objetivo Tiene más de un objetivo
Las variables y la función objetivo Variación de PL.
deben de ser lineales.
Es necesario que cada variable Se llega a una solución eficiente.
aditiva respecto a la variable
objetivo.
Las soluciones no deben de ser Utiliza restricciones meta.
necesariamente números enteros.
La solución óptima (máximo o Tiene 3 tipos de modelos:
mínimo) debe de ocurrir en uno de  Sin prioridad.
los vértices del conjunto de  Con prioridad.
soluciones factibles.  Con prioridad y ponderación.
Las funciones lineales en variables Se usa para resolver problemas
de decisión con restricciones (programas) lineales con objetivos
lineales optimizando una función similares, con cada objetivo visto
objetivo también lineal. como una “meta”.
Se tiene una función objetivo, se Aquí las variables de desviación son
busca una combinación de las cantidades que una meta es
recursos”. superada o no alcanzada.
Ventajas
Permite comparar un amplio rango Satisface los objetivos en una
de soluciones, alternativas y analizar secuencia de prioridad. Los
sus consecuencias objetivos de segunda prioridad se
persiguen sin reducir los objetivos de
primera prioridad.
Indica al administrador como
emplear más eficazmente sus Se conforma con una cota inferior.
factores seleccionándolos y
distribuyéndolos adecuadamente.
Hace que el administrador sea más El espacio de soluciones siempre
objetivo en sus decisiones al obtener tiene que cumplirse, mientras que
todos los datos que puedan ser útil los objetivos no pueden cumplirse.
para la formulación matemática
del problema.
(Elizabeth, 2018)13

13 10
 1.4 Modelos de una sola meta

Ejemplo de Una Sola Meta.

Una división de Schwim Manufacturing Company produce dos tipos de

bicicletas: (1) una bicicleta de 3 velocidades y (2) una de 10 velocidades.
La división obtiene una utilidad de $25 en la bicicleta de 10 velocidades y
$15 en la bicicleta de 3 velocidades. Debido a la fuerte demanda de estos
artículos, durante el período de planeación de verano la división cree que
puede vender, a los precios que prevalezcan, todas las unidades de estas
dos bicicletas que produzca. Las instalaciones de producción se consideran
recursos escasos. Estos recursos escasos corresponden al departamento de
ensamblado y terminado. Los tiempos unitarios de procesamiento y las
capacidades de cada uno de los departamentos se muestran en la tabla
siguiente:

Hrs. requeridas para procesar cada bicicleta

En el depto. Contribución a la
utilidad unitaria
Tipo de bicicleta En el Depto. de ensamble De terminación
3 velocidades 1 1 15

10 velocidades 3 1 25

Hrs. disponibles en 60 40
cada depto.

La división durante este período de planeación se enfrenta a cambios grandes de

organización y cree que el maximizar la utilidad no es un objetivo realista. Sin
embargo, desearía lograr un nivel satisfactorio de utilidad durante este período de
dificultad. La dirección cree que la utilidad diaria de $600 debería satisfacerse y
desea determinar, dadas las restricciones del tiempo de producción, la mezcla de
producto, que debería llevar a esta tasa de contribución a utilidades.

Definición de variables:

x1 = Número de bicicletas de 3 velocidades producidas

por día
x2 = Número de bicicletas de 10 velocidades producidas por día
d1− = Cantidad por debajo de la utilidad
perseguida
d1+ = cantidad por encima de la utilidad perseguida

11
Minimizar Z = d1− + d1+

Sujeto a:

x1+3x2  60 (horas de ensamble).

x1 + x2  40 ( (horas de terminación).

Restricciones estructurales

15x1 +25x2 +d1− − d1+ = 600 (Utilidad perseguida)

Restricción meta x1, x2, d1−, d1+ ≥ 0

Nota: Puesto que tanto d1−, d1+ aparecen en la función objetivo y a ambas se les
asigna pesos iguales, esto indica que la administración desea lograr la utilidad meta
exactamente.

M.C. Héctor Martínez Rubin Celis

12
 1.5 Modelos de metas múltiples

Ejemplo de Metas Múltiples.

Considera la información que se presenta en la siguiente tabla:

Producto\Departamento 1 2 3 4
1 .10 2.1 1 .3 415
2 .08 1.4 .7 .2 362
3 .05 1.1 .6 .15 216
4 .04 .9 .5 .1 68
Disp. hrs/mes 320 2400 800 450
*El producto 2 no debe exceder 90 unidades al mes.

*Cada hora extra aumenta los costos en $20.00

Metas:

Alcanzar utilidades de por lo menos $350,000.00 al mes.

Maximizar la utilización de los 4 departamentos.

No producir más del 50% de la producción total en cualquiera de los 4 productos

(en unidades). Limitar el número de horas extras en el departamento 2 a 300 hrs. al
mes.

Definición de variables:

Xi = cantidad a producir del producto i mensualmente para

i = 1, 2, 3, 4

Función Objetivo

Min Z = d1− +d2− +d3− +d4− + d5− +d6+ +d7+ +d8+ +d9+ +d10+

Sujeto a;

1) 415x1 +362x2 +216x3 + 68x4 −20d2+ − 20d3+ − 2 0d4+ − 20d5+ −d1 + + d1− =350,000

2) .10x1+.08x2+.05x3+.04x4 −d2+ + d2− = 320

2.1x1 +1.4x2 +1.1x3 +0.9x4 −d3+ + d3− =2400

x1 +.7x2 + .6x3 +.5x4 −d4+ +d4− =800

.3x1 +.2x2 +.15x3 +.1x4 −d5+ +d5− = 450

13
3) x1−d6+ +d6− = .5(x1+x2+x3+x4) ; -.5x1−.5x2−.5x3−.5x4 −d6+ +d6− = 0

−.5x1 +.5x2 −.5x3−.5x4 −d7+ +d7− =0

−.5x1−.5x2+.5x3−.5x4 −d8+ +d8− =0

−.5x1−.5x2−.5x3+.5x4 −d9+ +d9− = 0

4) d3+ −d10+ +d10− = 300

Restricciones estructurales:

x2  90

xi ≥ 0 para toda i di+,di− ≥ 0 para toda i.

M.C. Héctor Martínez Rubin Celis

14
 1.6 Modelos de submetas dentro de una meta

Ejemplo de Metas Múltiples y SubMetas.

En el ejemplo de la Schwim, la máxima utilidad alcanzada, tomando 60 horas

de tiempo de ensamble, 40 horas de tiempo de terminación y resolviendo
como un problema de programación lineal, es de $700.00. Debido a la
reorganización de la división se han considerado casos en donde la
administración quedaría satisfecha (al menos temporalmente) con un plan de
producción que conduzca a una utilidad más baja de $600.00.

Supongamos que la reorganización se ha llevado a cabo y que la administración

desea lograr una tasa de utilidad diaria de $750.00. Esto significaría que algunas
restricciones previas anexas deberían violarse. Sin embargo, supongamos que las
60 y 40 horas representan la capacidad de producción de los departamentos de
ensamble y terminación en tiempo normal solamente, utilizando la fuerza laboral
existente. El tiempo extra podría utilizarse en cualquier departamento; por tanto,
las desviaciones por encima como por debajo de las 40 y 60 horas serían factibles
y como máximo serían 3 y cuatro respectivanebte. La tasa de pago de horas
extras es 3 veces más alta que la del departamento de ensamble. Las metas
prioritarias de la administración, de mayor a menor importancia, son las siguientes:

P1 = Lograr tasa diaria de utilidad perseguida de $750.00

P2 = Minimizar el tiempo ocioso en ambos departamentos.

P3 = Minimizar el tiempo extra en ambos departamentos

La formulación de la programación meta es:

Minimizar Z = P1(d1− + d1+) + P2(d2−+d3−) + 3P3d4+ + P3d5+

s. a.

15x1+25x2 +d1− −d1+ = 750 (Utilidad perseguida)

x1 + 3x2 + d2− −d2+ = 60 (Horas de ensamble)
x1 + x2 +d3 −d3
− + = 40 (Horas de terminación)
d2+ +d4 −d4
− + =3 Horas extras en ensamble
d3− +d5− −d5+ =4 Horas extras en terminación

x1, x2, di−, di+ ≥ 0 Para todo i

Nota: En este ejercicio se han asignado pesos diferentes (cardinales) o prioridades

dentro de una meta dada, como también prioridades diferentes (ordinales o
cardinales) a metas diferentes.
M.C. Héctor Martínez Rubin Celis

15
 1.7 Métodos de solución

1) Método Gráfico o Método de las Rectas de Nivel

Los gráficos no son el mejor método para resolver los problemas de

programación lineal de dos variables, pero nos sirve para entender mejor la
estructura de los modelos de programación lineal. (Industriales, 2012) 14

En el método gráfico existen dos procedimientos para encontrar la solución

factible óptima:

1. Evaluar la función objetivo Z en cada una de las esquinas del área de

soluciones factibles. La debilidad de este procedimiento se presenta
cuando se tienen muchas restricciones y se generan demasiadas
esquinas que por supuesto serían muy dispendioso el proceso de
evaluación. Y sería en ese caso más práctico utilizar el siguiente método.
(Industriales, 2012) (Industriales, 2012)15

2. Usando la función objetivo para determinar la esquina del área de

soluciones factible que la optimiza. La debilidad de este procedimiento
podría ser visual al no poder identificar con precisión algunas
coordenadas paralelas a la recta de la solución factible. (Industriales,
2012)16

14 16
15
16
Se recomienda usar el segundo procedimiento y en caso de dudas visuales
sobre la gráfica, recurrir al primer procedimiento para dirimir la duda
respecto al par de esquinas. (Industriales, 2012)17
2) Método Simplex

El Método Simplex es un método analítico de solución de problemas de

programación lineal capaz de resolver modelos más complejos que los
resueltos mediante el método gráfico sin restricción en el número de
variables.
El Método Simplex es un método iterativo que permite ir mejorando la
solución en cada paso. La razón matemática de esta mejora radica en que
el método consiste en caminar del vértice de un poliedro a un vértice vecino
de manera que aumente o disminuya (según el contexto de la función
objetivo, sea maximizar o minimizar), dado que el número de vértices que
presenta un poliedro solución es finito siempre se hallará solución.
Este famosísimo método fue creado en el año de 1947 por el estadounidense
George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el
ánimo de crear un algoritmo capaz de solucionar problemas de m
restricciones y n variables. (Industriales, 2012)18

17 17
18
 1.8 Uso de Software

Forescast:
El forescast es una herramienta de rápido aprendizaje y fácil, que no
requiere conocimientos en estadística o pronósticos para su uso.

Se caracteriza por su exactitud en los resultados. Con forescat PRO, también

provee datos históricos de los ítems que quiere pronosticar y la herramienta
hace el resto. EL sistema experto analiza los datos históricos, selecciona
automáticamente la técnica más apropiada para pronosticar y calcula los
pronósticos utilizando métodos estadísticos probados. La automatización de
sus pronósticos y la integración con otros sistemas de planeación son tareas
muy sencillas y directas. (carucci, 2015)19

Es también una poderosa solución informática especializada en la

generación de pronósticos para los negocios, considerada como una de las
mejores del mundo. Esta herramienta está orientada a la planeación de la
demanda, a través de técnicas de análisis que mejoran las proyecciones de
planeación y control de inventarios, producción, finanzas ventas marketing
y comercialización, entre otras. (carucci, 2015)20

Excel:
Es una aplicación distribuida por Microsoft Office para las hojas de cálculo.
Este programa es desarrollado y distribuido por Microsoft, y es utilizado
normalmente en tareas financieras y contables. Para los cálculos de
operaciones. (carucci, 2015)21

Aplicaciones: Excel permite a los usuarios elaborar tablas y formatos que

incluyan cálculos matemáticos mediante las formulas; las cuales pueden
usar operadores matemáticos y además de usar funciones. (carucci, 2015)22

19 18
20
21
22
Stata:
Stata es una aplicación desarrollada para realizar análisis estadísticos sobre
muestras aleatorias de poblaciones. Hay quien señala una fuerte
especialización en problemas asociados con la econometría. (carucci,
2015)23

Tiene una interface gráfica de usuario, en la práctica es mucho más

cómodo utilizar el potente a la vez que sencillo lenguaje de programación
que incluye. Este lenguaje de programación requiere un cierto esfuerzo
inicial hasta que el usuario empiece a acostumbrarse con los comandos;
también suministra un sistema de ayuda realmente detallado completo. En
general, bajo el programa Stata se trabajara mediante lenguaje de
programación. (carucci, 2015)24

Software Tora:
Es un software basado en Windows, elaborado fundamentalmente para
darle solución a problemas de programación lineal de forma sencilla y muy
rápida.

Provee una interfaz agradable para el usuario. Entre los problemas que se
pueden resolver con Tora están:

 Solución de ecuaciones lineales simultaneas

 Programación lineal
 Modelos de transporte
 Modelos de redes
 Programación entera
 Modelos de colas teorías de juegos

Facilita mucho lo que son los tediosos cálculos de algoritmos. TORA es una
herramienta muy útil, totalmente autosuficiente en el sentido que todas las
instrucciones necesarias para activar el programa se representan con
menús, botones de comando, cuadros de verificación entre otras cosas.
(carucci, 2015)25

23 19
24
25
STORM:
Es una herramienta de simulación para la programación en tiempo real
multiprocesador. A partir de la especificación de las características de una
arquitectura de software, una arquitectura de hardware y la elección de
una política de planificación, la herramienta simula la ejecución de estas
tareas en estos recursos de acuerdo a las reglas de esta política. La
especificación de arquitecturas y política de planificación es a través de un
archivo XML para proporcionar como entrada de la herramienta. El
resultado de la simulación es un conjunto de pistas de ejecución que o bien
se hacen directamente observable a través de diagramas, o registrados en
archivos para un análisis asistido por ordenador subsiguiente. (carucci, 2015)26

Win QSB:
Es un sistema interactivo de ayuda a la toma de decisiones que contiene
herramientas muy útiles para resolver distintos tipos de problemas en el
campo de la investigación operativa. El sistema está formado por distintos
módulos, uno para cada tipo de modelo o problema. (carucci, 2015)27

26 20
27
 Conclusión

Toda esta investigación fue una muy buena introducción a la materia y me

hizo comprenderla mejor.

Creo que se relaciona bastante y obviamente es la continuación de la

Investigación de Operaciones I, ya que es la base para poder llevar a cabo
ejercicios y el entendimiento de estos temas.

Algo que se diferencia bastante de la Investigación de operaciones I, es que

ahora se utilizan metas como el objetivo principal, además que a estas
mismas se les puede dar un nivel de importancia.

Creo que se puede aplicar más este tipo de planteamientos ya que en la

vida cotidiana se requieren de más objetivos por alcanzar a la vez, no como
en la investigación de operaciones I que solo tenía un objetivo, y para poder
llevar a cabo los planteamientos de modelos a través de metas, se
necesitan de desviaciones para que completen y al final nos del resultado,
para nosotros tomar las mejores decisiones de acuerdo a lo que
necesitemos.

Lo principal y lo más difícil es llevar a cabo el planteamiento del problema,

ya que debemos de interpretar y saber crear la base del problema para
poder pasar a la resolución, vimos que existen bastantes tipos de
resoluciones, como simplex, el método gráfico, etc. Pero lo más común hoy
en día es acudir a softwares que con introducir los datos este nos da las
respuestas, pero claro, las decisiones las tomamos nosotros, los programas
solo son una herramienta para evitar que nos equivoquemos en el proceso
de la resolución y por consecuente hacerlo más fácil.

21
 Bibliografía

C., G. G. (30 de Agosto de 2017). Naps Tecnoloía y Educación. Obtenido de

https://naps.com.mx/blog/programacion-por-metas-explicacion-y-ejemplo/

carucci. (21 de Enero de 2015). issuu. Obtenido de

https://issuu.com/cjcarucci/docs/software_mas_utilizados_en_investig

Elizabeth. (5 de Julio de 2018). Club Ensayos. Obtenido de https://www.clubensayos.com/Temas-

Variados/Tabla-comparativa-entre-el-modelo-lineal-y-modelo/4436308.html

GEO. (13 de Enero de 2015). Obtenido de GEO:

https://www.gestiondeoperaciones.net/programacion_lineal/que-es-la-investigacion-de-
operaciones/

Industriales, I. (15 de Mayo de 2012). Blogger.com. Obtenido de

http://indoperaciones.blogspot.com/p/metodos.html

Iñiguez, V. (25 de Enero de 2017). Obtenido de SCRIBD:

https://es.scribd.com/document/337561783/1-2-Modelo-Gral-de-Metas

Wiley, J. (1968). Fundamentals of Operations Research.

22