INSTITUTO TECNOLÓGICO SUPERIOR

DE ZACAPOAXTLA
CARRERA:
Ingeniería Industrial
MATERIA:

Investigación de operaciones II

DOCENTE:

ING. Eduardo Fernández Echeverría

TEMA:

Programación por metas

NOMBRE DE ALUMNA:

Griselda Martínez Báez

No. CONTROL

17ZPA046

GRADO

Sexto semestre

GRADO

“C”

Cuetzalan del progreso Pué. A 8 de Junio 2020.

 INDICE GENERAL

RESUMEN..................................................................................................................... 1
DEFINICION Y CONCEPTOS GENERALES................................................................2
MODELO GENERAL DE METAS.................................................................................3
DIFERENCIAS ENTRE MODELO LINEAL Y MODELO DE METAS..............................4
MODELOS DE UNA SOLA META......................................................................................5
MODELOS DE METAS MULTIPLES..................................................................................5
MODELO DE SUBMETAS DENTRO DE UNA META......................................................6
METODOS DE SOLUCION.................................................................................................6

INDICE DE TABLAS

Tabla 1 fórmulas de metas y variables...................................................................3

Tabla 3 diferencia entre método simplex y método grafico.............................9

INDICE DE ILUSTRACIONES

Ilustración 1 Formula de nueva fila pivote Método simplex.............................8

Ilustración 2 Formula para filas de Método Simplex..........................................8

Cuetzalan del progreso Pué. A 8 de Junio 2020.

RESUMEN
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.
El presente trabajo de investigación consiste en centraremos en el estudio de la
Programación por Metas. La Programación por Metas (Goal Programming) fue
inicialmente introducida por Charnes y Cooper en los años 50. Desarrollada en los
años 70 por Ljiri, Lee, Ignizio y Romero, es actualmente uno de los enfoques
multicriterio que más se utilizan. La programación por metas es un enfoque para tratar
problemas de decisión gerencial que comprenden metas múltiples o
inconmensurables. El método de programación de metas permite alcanzar varios
objetivos de manera simultánea.
Al analizar el tema se comprende que tiene varios puntos importantes a tratar por lo
que nos centraremos en hacer un estudio de los temas. Que comprenderá en
presentar un modelo general mismo con sus ejemplos, también los modelos de una
sola meta que ayuda a resolver problemas de programación por metas y por último se
presentara unos ejemplos del tema de Métodos de solución el cual presenta dos
puntos muy importantes para la programación lineal son temas bastante utilizadas
para hallar soluciones más prácticas y convenientes.
Palabras clave: programación por metas, metas múltiples, modelo general y métodos
de solución.

ABSTRACT
Operations research helps in making decisions to achieve an objective that is in mind,
which results in a cost or resource optimization criteria, depending on what is required,
but of course each person has a different criterion and it is the reason why each one
has a different perspective of seeing things, that is why there are several methods to
reach the desired goal.
This research work consists in focusing on the study of Programming by Goals. Goal
Programming was initially introduced by Charnes and Cooper in the 1950s. Developed
in the 1970s by Ljiri, Lee, Ignizio and Romero, it is currently one of the most widely
used multicriteria approaches. Goal programming is an approach to deal with
management decision problems that include multiple or immeasurable goals, according
to the importance assigned to these goals. The goal programming method allows
several objectives to be achieved simultaneously.
When analyzing the subject, it is understood that it has several important points to
discuss, so we will focus on studying the issues. That you will understand in presenting
a general model with its examples, also the models of a single goal that helps to solve
problems of programming by goals and finally some examples of the topic of Methods
of solution will be presented which presents two very important points for the Linear
programming are topics widely used to find more practical and convenient solutions.

Keywords: programming by goals, multiple goals, and general model and solution
methods.

1
DEFINICION Y CONCEPTOS GENERALES
El autor Carlos Romero define la programación por metas de la siguiente manera: la
programación por metas se aleja de una filosofía de optimización entroncado con una
filosofía satisfaciente en la línea que propone Herbert Simón [ CITATION Rey16 \l 2058 ].
"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." [ CITATION Ham04 \l 3082 ]

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. Teniendo el modelo
es fácil llegar a la solución ya que existen programas que llegan a las soluciones
óptimas.

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

 Definición del problema.

 Construcción de un modelo.
 Solución del modelo.
 Implementación y control de la solución.
 Validación.

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.

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.

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

2
 modelo de optimización tanto en términos del modelo como el valor de los parámetros
estimados.

Validación: Se verifica que la solución alcanzada cumpla con las condiciones

impuestas al problema. [ CITATION Ham04 \l 3082 ].

MODELO GENERAL DE METAS

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).

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. 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).

Existen cuatro formas de restricciones de objetivos:

 Se permiten desviaciones en ambas direcciones.

 Solo se permiten desviaciones hacia abajo.
 Solo se permiten desviaciones hacia arriba

El significado de las variables de desviación no deseadas puede clarificarse por medio

del siguiente cuadro.
Tabla 1 fórmulas de metas y variables

Forma inicial de meta Forma de la meta Variable de desviación

transformada no deseada (a minimizar)
Fi(x)≥ ti fi(x)+ ni- pi = ti pi
Fi(x)≤ ti fi(x)+ ni-pi = ti pi
Fi(x)=ti fi(x)+ ni- pi = ti ni+pi
Fuente: Recuperado de “ITT “Ávila Hernández Karla Estephanía, 20 de junio 2019, file:///G:/Trabajos%20descargados/414359836-
Investigacion-de-Operaciones-II-pdf.pdf.

3
DIFERENCIAS ENTRE MODELO LINEAL Y MODELO DE METAS
Modelo lineal:

 Usa un solo objetivo.

 Las variables y la función objetivo deben de ser lineales.
 Es necesario que cada variable aditiva respecto al variable objetivo.
 Las soluciones no deben de ser necesariamente números enteros.
 La solución óptima (máximo o mínimo) debe de ocurrir en uno de los vértices
del conjunto de soluciones factibles.
 Las funciones lineales en variables de decisión con restricciones lineales
optimizando una función objetivo también lineal.
 Se tiene una función objetivo, se busca una combinación de recursos.

Ventajas:

 Permite comparar un amplio rango de soluciones, alternativas y analizar sus

consecuencias.

 Indica al administrador como emplear más eficazmente sus factores

seleccionados y distribuyéndolos adecuadamente.
 Hace que el administrador sea más objetivo en sus decisiones al obtener todos
los datos que puedan ser útil para la formulación matemática del problema.
[ CITATION Eli18 \l 3082 ]

Modelo de metas:

 Tiene más de un objetivo.

 Variación de PL.
 Se llega a una solución eficiente.
 Utiliza restricciones de meta.
 Tiene 3 tipos de modelos: Sin prioridad, con prioridad, con prioridad y
ponderación.
 Se usa para resolver problemas (programas) lineales con objetivos similares,
con cada objetivo visto como una meta.
 Aquí las variables de desviación son las cantidades que una meta es superada
o no alcanzada.
Ventajas:

 Satisface los objetivos en una secuencia de prioridad, los objetivos de segunda

prioridad se persiguen sin reducir los objetivos de primera prioridad.
 Se conforma con una cota inferior.
 El espacio de soluciones siempre tiene que cumplirse, mientras que los
objetivos no pueden cumplirse.[ CITATION Eli18 \l 3082 ]

4
MODELOS DE UNA SOLA META
Es similar al modelo de programación lineal. El primer paso es definir las variables de
decisión, después se deben de especificar todas las metas gerenciales en orden de
prioridad.

Una característica de la programación por meta es que proporciona solución para los
problemas que tengan múltiples y conflictiva arregladas de acuerdo a la estructura
prioritaria de la administración. [ CITATION Dav16 \l 3082 ].

Ya que es similar a la programación lineal se presentara una información acerca del

tema: La programación lineal es un conjunto de técnicas racionales de análisis y de
resolución de problemas que tiene por objeto ayudar a los responsables en las
decisiones sobre asuntos en los que interviene un gran número de variables.

Objetivos

 Conocer la programación lineal y sus aplicaciones a la vida cotidiana.

 Plantear y resolver situaciones con programación lineal.
 Pasos para la construcción de un modelo.

Métodos de solución

Existen tres métodos de solución de problemas de programación lineal:

 Método gráfico: Las rectas de nivel dan los puntos del plano en los que la
función objetivo toma el mismo valor.
 Método analítico: El siguiente resultado, denominado teorema fundamental de
la programación lineal, nos permite conocer otro método de solucionar un
programa con dos variables: “en un programa lineal con dos variables, si existe
una solución única que optimice la función objetivo, esta se encuentra en un
punto extremo (vértice) de la región factible acotada, nunca en el interior de
dicha región. Si la función objetivo toma el mismo valor óptimo en dos vértices,
también toma idéntico valor en los puntos del segmento que determinan. En el
caso de que la región factible no es acotada, la función lineal objetivo no
alcanza necesariamente un valor optimo concreto, pero, si lo hace este se
encuentra en uno de los vértices de la región”.
 Esquema práctico: Los problemas de programación lineal puede presentarse
en la forma estándar, dando la función, objetivos y las restricciones, o bien
plantearlos mediante un enunciado. [ CITATION May13 \l 3082 ]

MODELOS DE METAS MULTIPLES

La programación por metas es un enfoque para tratar problemas de decisión gerencial
que comprenden metas múltiples o ilimitadas, de acuerdo a la importancia que se le
asigne a estas metas.

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).

Meta unilateral superior. Establece un límite superior que no se quiere exceder (pero
se aceptan desvíos a la meta que deberá minimizarse).

5
Meta bilateral: establece un blanco específico que no se quiere perder hacia ningún
lado. [ CITATION Dav16 \l 3082 ]

MODELO DE SUBMETAS DENTRO DE UNA META

El punto final hacia el cual se entiende la acción, implica el cumplimiento de un
objetivo básico que requiere de una serie de logros en los cuales están
frecuentemente empeñados varios estamentos de la compañía, ya sea en diversas
áreas o en una de ellas.

Submetas: son aquellos logros colocados por debajo de las metas y que resultan
necesarios para el cabal cumplimiento de los objetivos básicos.

Las submetas son más detalladas conforme parte de una red de jerarquías y se
asimilan a los peldaños necesarios para avanzar en forma consistente hacia el
cumplimiento de metas. [ CITATION Dav16 \l 3082 ]

METODOS DE SOLUCION
Una vez que el modelo este validado, los pasos siguientes consisten en:

Implementa el modelo; trabajar con el cliente para poder extraer los máximos
beneficios del trabajo realizado.

Actualizar el modelo: es evidente que la realidad es cambiante por ello el modelo debe
adaptarse a las nuevas circunstancias de manera continua si se pretende que siga
teniendo utilidad.

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:

 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.
 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.

Los pasos para realizar el método es:

1. Hallar restricciones del problema.

2. Las restricciones de no negatividad xi≥0 confían todos los valores posibles.
3. Sustituir ≥y≤ por (=) para cada restricción, con lo cual se produce la ecuación
de una línea recta.
4. Trazar la línea recta correspondiente a cada restricción en el plano. La región
en cual se encuentra cada restricción, el área correspondiente a cada
restricción lo define el signo correspondiente a cada restricción (≥ o ≤) se

6
 evalúa un punto antes y después de la recta trazada, el punto que cumpla con
la inecuación indicara el área correspondiente.
5. El espacio en el cual se satisfacen las tres restricciones es el área factible.
6. Las líneas paralelas que representan la función objetivo se trazan mediante la
asignación de valores arbitrarios a fin de determinar la pendiente y la dirección
en la cual crece o decrece el valor de la función objetivo.
7. La solución óptima puede determinarse al observar la dirección en la cual
aumenta la función objetivo, se procede a graficar la función objetivo, si es un
problema de minimización la solución óptima es el primer punto factible que
toque la función Z y si por lo contrario es un problema de maximización, será
entonces el último de los puntos factibles que toque la función Z.

Hay principalmente cuatro tipos de problemas, de única solución, múltiples soluciones,

solución no acotada y no factible.

 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. [ CITATION
Ávi19 \l 3082 ].

El método simplex se basa en la siguiente propiedad: si la función objetivo Z no toma

su valor máximo en el vértice A, entonces existe un arista que parte de A y a lo largo
de la cual el valor de Z aumenta. Será necesario tener en cuenta que el método
simplex únicamente trabaja con restricciones del problema cuyas inecuaciones sean
del tipo “≤” (menor o igual) y sus coeficientes independientes sean mayores o iguales a
0. Por tanto habrá que estandarizar las restricciones para que cumplan estos
requisitos antes de iniciar el algoritmo del simplex. En caso de que después de este
proceso aparezcan restricciones del tipo “≥” (mayor o igual) o “=” (igualdad), o no se
puedan cambiar, será necesario emplear otros métodos de resolución, siendo el más
común el método de las dos fases.
Pasos para el desarrollo del método simplex:
1. Hallar una solución básica factible inicial.
a) Convertir las desigualdades en igualdades.
b) Igualar la función objetivo a 0.
c) Escribir la tabla inicial simplex (en las columnas aparecerán todas las
variables del problema, y de las filas, los coeficientes de las igualdades
obtenidas, una fila para cada restricción y la primera fila con los
coeficientes de la función objetivo).

7
2. Prueba de óptimidad: determinar si la solución básica factible inicial es óptima,
esto ocurre si todos los coeficientes de la ecuación son no negativos (= 0), para
el caso de maximización. Si es así, el proceso termina; de otra manera se lleva
a cabo otra iteración para obtener la nueva solución factible inicial.
3. Para escoger la variable de decisión que entra en la base, nos fijamos en la
primera fila, la de los coeficientes de la función objetivo y escogemos la
variable con el coeficiente negativo mayor.
a) Si existiesen dos o más coeficientes iguales que cumplan la condición
anterior, entonces se escoge uno cualquiera de ellos.
b) Si en la primera fila no existiese ningún coeficiente negativo significa
que se ha alcanzado la solución óptima. Por lo tanto que va a
determinar el final del proceso de aplicación del método simplex, es
que en la primera fila no haya elementos negativos (para el caso de
maximización).
c) La columna de la variable que entra en la base se llama columna
pivote.
4. Para todos los problemas de maximización y minimización, la variable que sale
es la variable básica que tiene la razón más pequeña (positiva).
a) Para determinar la razón de cada renglón, se divide cada término de la
última columna (valores solución) por el termino correspondiente de la
columna pivote, siempre que estos últimos sean mayores que cero.
b) Si hubiese algún elemento menor o igual que cero no se hace dicho
cociente. En el caso de que todos los elementos fuesen menores o
iguales a cero, entonces tendríamos una solución no acotada y no se
puede seguir.
c) El término de la columna pivote que en la solución anterior de igual al
menor cociente positivo, indica la fila de la variable de holgura que sale
de la base. Esta fila se llama fila pivote.
5. En la intersección de la fila pivote y columna pivote se encuentra el elemento
pivote.
6. Se determina la nueva solución básica factible construyendo una nueva tabla
en la forma apropiada de eliminación de Gauss, debajo de la que se tiene. Para
cambiar el coeficiente de la nueva variable básica en el reglón pivote a 1, se
divide todo el reglón entre el numero pivote, entonces:

Ilustración 1 Formula de nueva fila pivote Método simplex.

7. Para el resto de las filas:

Ilustración 2 Formula para filas de Método Simplex.

8
Tabla 2 diferencia entre método simplex y método grafico

Método simplex Método grafico

Habitualmente se refiere a un conjunto El método grafico se utiliza para la
de métodos muy usados para resolver solución de problemas PL,
problemas de programación lineal, en los representando geométricamente a las
cuales se busca el máximo de una restricciones, condiciones técnicas y el
función lineal sobre un conjunto de objetivo. El modelo se puede resolver en
variables. forma gráfica si solo tiene dos variables.
Es aplicable a problemas PL El método grafico es un procedimiento
multidimensionales. Tiene como base el de solución de problemas de
álgebra matricial y el proceso de programación lineal muy limitado. Este
eliminación de Gauss-Jordan. consiste en representar cada una de las
Es un proceso de búsqueda que se restricciones y encontrar en la medida de
vuelve sorprendentemente eficiente para lo posible el polígono (poliedro) factible.
solucionar problemas muy grandes.
Facilitan el proceso de cálculo.
Software para solución es el solver.
Fuente: Recuperado de “ITT “Ávila Hernández Karla Estephanía, 20 de junio 2019, file:///G:/Trabajos%20descargados/414359836-
Investigacion-de-Operaciones-II-pdf.pdf.

9
CONCLUSIÓN
El modelo de programación por metas simplemente proporciona la mejor solución bajo
la estructura de prioridades y restricciones dadas. Todos los temas mencionados
tienen un propósito el cual tiende a buscar una sola meta que se le otorga un nivel de
importancia muy alta. Esta se relaciona con investigación de operaciones I por lo
mismo que se enfoca en llevar a cabo ejercicios y el entendimiento de temas.

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 software 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.

CONCLUSION
The goal programming model simply provides the best solution under the structure of
priorities and restrictions given. All the mentioned topics have a purpose which tends to
look for a single goal that is granted a very high level of importance. This is related to
operations research I for the same reason that focuses on carrying out exercises and
understanding topics.

I think that this type of approach can be applied more since in everyday life more
objectives are required to be achieved at the same time, not as in the investigation of
operations I that only had one objective, and to be able to carry out the approaches of
models through goals, deviations are needed to complete and in the end give us the
result, for us to make the best decisions according to what we need.

The main and the most difficult thing is to carry out the approach of the problem, since
we must interpret and know how to create the basis of the problem to be able to pass
to the resolution, we saw that there are quite a few types of resolutions, such as
simplex, the graphic method, etc. . But the most common thing nowadays is to go to
software’s that, by entering the data, gives us the answers, but of course, the decisions
are made by us, the programs are only a tool to prevent us from making mistakes in
the resolution process and by consistent make it easier.

10
Referencias
Cerda, E. H. (05 de 07 de 2018). club ensayos. Obtenido de club ensayos :
https://www.clubensayos.com/Temas-Variados/Tabla-comparativa-entre-el-modelo-
lineal-y.modelo/4436308.html

Cesar, M. Z. (29 de 10 de 2013). Programacion lineal en la investigacion de operaciones.

Obtenido de Programacion lineal en la investigacion de operaciones:
https://www.gestiopolis.com/programacion-lineal-en-la-investigacion-de-
operaciones/#autores

Estephanía., Á. H. (20 de 06 de 2019). Instituto tecnologico de Tepic. Obtenido de Instituto

tecnologico de Tepic: file:///G:/Trabajos%20descargados/414359836-Investigacion-de-
Operaciones-II-pdf.pdf

Hernandez, D. (27 de 09 de 2016). Prezi. Obtenido de Prezi:

https://prezi.com/uf6sulewhsua/programacion-dinamic/

Rey., A. S. (2016). addi.ahu.es. Obtenido de addi.ahu.es:

https://addi.ehu.es/bitstream/handle/10810/20672/TFG%20Ane
%20Sanchez.pdf;jsessionid=A9368735847A9D5EE3CCF65D2788DF28?sequence=2

Rivera, M. M. (20 de 06 de 2016). LOGOwww.iindustrialitp.com.mx. Obtenido de

LOGOwww.iindustrialitp.com.mx: file:///C:/Users/Usuario/Desktop/tareas%20de
%20IO/Programacion_Por_Metas.pdf

Taha, H. A. (2004). Investigacion de operaciones septima edicion. Mexico: Pearson educacion.

11