INSTITUTO TECNOLOGICO SUPERIOR DE ACAYUCAN

DOCENTE: JOVANI HERNADEZ GONZALES

INGENIERIA INDUSTRIAL 504.E

INTEGRANTES

RUBEN BARRAGAN FABIAN

YAIR PABLO SANTIAGO

MARIA GUADALUPE REYES ZEFERINO

JOSE LUIS RAMIREZ CRISANTOS

FILIBERTO CRUZ RUIZ

INVESTIGACION DE OPERACIONES 2
 Índice

Introducción

1.1 Definición y conceptos generales

1.2 Modelo general de Metas

1.3 Diferencias entre modelo lineal y modelo metas

1.4 Modelos de una sola meta

1.5 Modelos de metas múltiples

1.6 Modelos de submetas dentro de una meta

1.7 Métodos de solución

1.8 Uso de Software

Conclusión

Bibliografía
 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.
UNIDAD 1 PROGRAMACIÓN POR METAS
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. 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. 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.
El proceso con la construcción de un modelo podría ser el siguiente:
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 del asertividad en la definición del
problema de decisión. 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
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.
Validación: Se verifica que la solución alcanzada cumpla con las
condiciones (restricciones) impuestas al problema. 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 metodologías 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. Se denomina variable de desviación negativa -di a variable
que mide la diferencia que falta para que la meta alcance el nivel de
aspiración Se denomina variable de desviación positiva +di a la variable
que mide el exceso que hay desde el nivel de aspiración y la meta. Se
denomina variable de desviación no deseada a la variable que queremos
que tenga el menor valor posible. En los problemas de programación por
metas el vector a = (a1, a2, ..., ap), donde ai = gi(+di, -di), i = 1, 2, ..., p, se
denomina vector de logro. Cada ai puede ser lineal o no lineal.
1.2- MODELO GENERAL DE METAS

decisor. ! decisor. ! 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. 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. Como un nivel de aspiración no puede
simultáneamente sobrepasarse y quedar por debajo de él, al menos unas
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. 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.
1.3 Diferencia entre modelo lineal y modelo metas
, Las suposiciones básicas que caracterizan el modelo de programación lineal se aplican
igualmente al modelo de programación meta. La diferencia principal en la estructura es
que la programación meta no intenta minimizar o maximizar la función objetivo como lo
hace el modelo de programación lineal, en vez busca minimizar las desviaciones entre las
metas deseadas y los resultados reales de acuerdo a las prioridades asignadas.

Modelo Lineal Modelo Meta

Usa solo un objetivo. Tiene más de un objetivo.

Las variables y la función objetivo Variación de la PL

deben ser lineales.

Se llega a una solución eficiente.

Es necesario que cada variable
aditiva respecto a la variable
objetiva. Utiliza restricciones meta.

Las soluciones no deben ser Tiene 3 tipos de modelo:

necesariamente números enteros

 Sin prioridad
Las soluciones optima (máximo o  Con prioridad
mínimo) deben ocurrir en uno de  Con prioridad y ponderación
los vértices del conjunto de
soluciones factibles.

Ventajas
Ventajas

 Permite comparar un amplio rango

de soluciones y alternativas y  Satisface los objetivos en una
analizar sus consecuencias. secuencia de prioridad. Los
 Indica al administrador como objetivos de segundas prioridad
emplear más eficazmente sus se persiguen sin reducir los
factores seleccionándolos y objetivos de primera prioridad.
distribuyéndolos  Se conforma con una cota
adecuadamente. inferior.
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. De Contribución a la
terminación utilidad unitaria
Tipo de bicicleta En el Depto. de ensamble
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
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.
1.5 MODELOS DE METAS MULTIPLES.

PROGRAMACIÓN POR METAS. La mayoría de los modelos de optimización, bien

sean determinísticos o probabilísticos, o bien deductivos e inductivos, consideran
una sola función objetivo (un solo propósito) o sea una sola meta (minimizar
costos, tiempos o maximizar utilidades)

Tienen objetivos y metas múltiples que son conflictivos entre sí. Para esto se
diseñó la Programación con Metas Múltiples, en las cuales se puede jerarquizar y
priorizar las diferentes metas intervinientes en el modelo. La programación
multiobjetivo (por metas u objetivos) constituye un enfoque multicriterio de gran
potencialidad cuando el contexto decisional está definido por una serie de objetivos
a optimizar que deben de satisfacer un determinado conjunto de restricciones.

Como la optimización simultánea de todos los objetivos es usualmente imposible,

pues en la vida real entre los objetivos que pretende optimizar un centro decisor
suele existir un cierto grado de conflicto el enfoque multiobjetivo en vez de intentar
determinar un óptimo existente pretende establecer el conjunto de soluciones
eficientes u óptimas.

1.- La Programación por Objetivos Proporciona una manera racional de intentar

alcanzar varios objetivos de manera simultánea, jerarquizando los mismos o
asociándoles una ponderación a cada uno.

2.- El enfoque básico de la Programación por Objetivos Es establecer un objetivo

numérico específico para cada uno de los objetivos, formular una función objetivo
para cada uno y después buscar una solución que minimice la suma ponderada
de las desviaciones de estas funciones objetivo de sus metas respectivas.

3.- Tres tipos de Objetivos: a. una Meta unilateral inferior establece un límite inferior
por abajo del cual no se quiere ir (pero se aceptan desvíos a la meta que deberá
minimizarse)

.
4. Una Ecuación Objetivo para cada Meta, En el modelo de Programación por
Objetivos existen dos tipos de restricciones funcionales: las restricciones
ordinarias de Programación Lineal (restricciones duras o estrictas) y las
ecuaciones objetivo (blandas o flexibles).

Las restricciones duras requieren ser cumplidas de manera estricta. Las

restricciones blandas pueden admitir desvíos a la meta establecida, pero estos
desvíos estarán asociados a una penalización que se reflejará en un parámetro en
la Función Objetivo.

Variables de desvío. Para formalizar los desvíos aceptados a cada una de las
metas se emplea las variables auxiliares di las que por definición pueden obtener
valores positivos o negativos. Para poder hacer operativo el modelo de
Programación Lineal cada di se sustituirá por la diferencia de dos variables no-
negativas.

5. La Función Objetivo depende del procedimiento si se consideran los diferentes

objetivos de manera simultánea (Objetivos sin prioridades) o si por el contrario se
adopta un procedimiento secuencial (Objetivos con prioridades). En el primer caso
se tratará de Minimizar una función ponderada de las variables de desvío. En el
segundo caso se identificarán m modelos de PL a ser optimizados de manera
secuencial y de acuerdo a los m niveles de jerarquía asignados a los objetivos. La
secuencia se resuelve por nivel de jerarquía, desde el nivel de mayor prioridad al
de menor.

6. Programación por Objetivos no secuencial. 10 Cada meta representa una

Ecuación Objetivo y en la Función Objetivo se incluirán las variables de desvío
relevantes correspondientes a cada Objetivo. Metas prioritarias. En este caso los
desvíos en la Función Objetivo serán ponderados por los coeficientes de
penalización. Metas no prioritarias.
1.6 MODELOS DE SUBMETAS DENTRO DE UNA META.

Modelo Matemático: Se emplea cuando la función objetivo y las restricciones del

modelo se pueden expresar en forma cuantitativa o matemática como funciones
de las variables de decisión.

Modelo de Simulación: Los modelos de simulación difieren de los matemáticos en

que las relaciones entre la entrada y la salida no se indican en forma explícita. En
cambio, un modelo de simulación divide el sistema representado en módulos
básicos o elementales que después se enlazan entre si vía relaciones lógicas bien
definidas. Por lo tanto, las operaciones de cálculos pasaran de un módulo a otro
hasta que se obtenga un resultado de salida.

Modelos Formales: Se usan para resolver problemas cuantitativos de decisión en

el mundo real. Algunos modelos en la ciencia de la administración son llamados
modelos determinísticos. Esto significa que todos los datos relevantes (es decir,
los datos que los modelos utilizarán o evaluarán) se dan por conocidos. En los
modelos probabilísticos (o estocásticos), algunos de los datos importantes se
consideran inciertos, aunque debe especificarse la probabilidad de tales datos.
Modelo de Hoja de Cálculo Electrónica: La hoja de cálculo electrónica facilita hacer
y contestar preguntas de “que si” en un problema real. Hasta ese grado la hoja de
cálculo electrónica tiene una representación selectiva del problema y desde este
punto de vista la hoja de cálculo electrónica es un modelo.
 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.
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.
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.
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.
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.

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.
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.
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.
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.
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.
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
trabajará mediante lenguaje de programación.
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.
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.

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.
 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 2, 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, 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 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/TemasVariados/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-
deoperaciones/

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