1.2 Modelo general de metas: cómo alcanzar tus objetivos con el enfoque correcto

Estimado estudiante, ¿por qué crees que es importante psicología? ¿Puedes enumerar algunos objetivos de la psicología que sientes?

Como ciencia, la psicología tiene cuatro objetivos; Descripción, explicación, predicción y control.

Descripción: La descripción implica observar el comportamiento y notar todo al respecto. Es una búsqueda de respuestas para las siguientes preguntas. ¿Lo que está sucediendo? ¿Dónde ocurre? ¿A quién sucede? ¿Y en qué circunstancias parece suceder? Por ejemplo, una maestra podría notar que una joven estudiante de primer año en su aula de psicología general se está comportando extrañamente. Ella no recurre a su tarea, sus resultados se están deslizando mal y parece tener una actitud muy negativa hacia el curso.

Explicación: ¿Por qué está sucediendo? La explicación se trata de tratar de encontrar explicaciones para el comportamiento observado. Esto ayuda en el proceso de formación de teorías del comportamiento (una teoría es una explicación general de un conjunto de observaciones o hechos). Por ejemplo, en el ejemplo anterior, para averiguar por qué la niña está haciendo todas esas cosas, la maestra probablemente preguntaría; Los consejeros universitarios para administrar algunas pruebas, sus padres sobre los antecedentes de su hogar, sus amigos y similares.

Predicción: la predicción se trata de determinar lo que sucederá en el futuro. En el ejemplo anterior, el caso de la niña de primer año, el psicóloga o consejero predeciría (basado en investigaciones previas en situaciones similares) que esta niña nunca puede alcanzar su potencial de aprendizaje completo.

¿Qué es el modelo general por metas?

Los profesionales en esta categoría eran conscientes de los objetivos fundamentales. Sin embargo, se presumieron estos objetivos pero no se hicieron explícitos en una discusión con el paciente. GP_04 ilustra que son conscientes de los objetivos fundamentales implícitos al tiempo que se centran en la calidad de vida:

En la actualidad, lo que realmente encuentro importante es que nos centramos principalmente en la calidad de vida de los ancianos y tenemos en cuenta sus opiniones y preferencias. En términos de práctica real, no puedo decir que mi colega y yo tengamos discusiones específicas [con nuestros pacientes] de manera regular sobre los objetivos que los pacientes quieren seguir en su vida. Sin embargo, según las preguntas formuladas, prestamos atención a lo que es factible para los pacientes. También somos cautelosos cuando se trata de agregar cualquier medicamento nuevo, teniendo en cuenta el problema de múltiples medicamentos y sus efectos secundarios. Se trata de sopesar todo con mucho cuidado. Cuando se trata de pacientes de edad avanzada, es importante averiguar si todas las intervenciones los beneficiarán. (GP_04)

La tercera categoría constituye profesionales que tienen una orientación hacia los objetivos específicos y/o funcionales de la enfermedad, al tiempo que tienen en cuenta explícitamente los objetivos fundamentales. Si los objetivos fundamentales se discuten y se hacen explícitos, se pueden establecer otros objetivos de acuerdo con estos objetivos fundamentales, como lo ilustra el siguiente ejemplo de la práctica diaria de la importancia de la calidad de vida como punto de referencia en la toma de decisiones. Lo que significa la calidad de vida para un paciente específico, solo puede ser evaluado por ese paciente específico:

Ahora imagine que descubro que alguien tiene cáncer y tal vez aún pueda ayudarlos (…) de una manera que permita al paciente vivir unos meses más. Pero entonces, por supuesto, todavía existe la decisión de tratarlo o no (…). ¿O elige un tratamiento limitado? Eso es algo que debe acordarse con los especialistas, el paciente y, por supuesto, conmigo (…) El problema central sigue siendo la calidad de vida. Y (…), por supuesto, eso es algo que puedo evaluar, al menos en cierta medida, pero esto será realizado principalmente por el paciente. (GP_10)

¿Qué es Programación lineal por metas?

La programación lineal es un concepto matemático utilizado para determinar la solución a un problema lineal. Por lo general, el objetivo de la programación lineal es maximizar o minimizar los objetivos especificados, como ganancias o costos. Este proceso se conoce como optimización. Se basa en tres conceptos diferentes: variables, objetivos y restricciones.

Las variables son valores numéricos o booleanos, como la cantidad de producto que se producirá o si un centro de distribución está abierto. La programación lineal determina el valor óptimo para tales variables. Los objetivos, como la ganancia máxima, son una función lineal de las variables de una optimización. Las restricciones también son funciones lineales de las variables de una optimización, y se utilizan para restringir los valores que una optimización puede devolver para una variable. Las restricciones deben ser funciones lineales booleanas. Los ejemplos de restricciones podrían ser una relación especificada de la asignación del presupuesto o el número total de elementos que puede producir una fábrica.

Pensar en la programación lineal en términos de un gráfico puede ayudarlo a visualizarla y comprenderla. Las funciones lineales, como los objetivos y las limitaciones, se muestran como líneas rectas en un gráfico. Las variables se pueden considerar como x e y, o valores que aún no sabemos. El cuadro a continuación muestra cómo es posible determinar la región factible para un programa lineal u optimización al trazar su objetivo y restricción de funciones lineales.

¿Cuál es el orden de paso en la formulación de un modelo de Programación por metas?

Un objetivo de lenguaje de clase de artes del idioma inglés de segundo grado podría ser algo como esto:

«Puedo escribir describiendo palabras sobre Charlotte y Wilbur».

Los objetivos de idioma para una clase de artes del lenguaje de inglés de secundaria pueden verse algo así:

Los estudiantes podrán justificar oralmente las acciones de su personaje durante un grupo de discusión.

Los dos objetivos anteriores son medibles, pero ambos también tienen en cuenta las etapas de desarrollo apropiadas de los estudiantes. Los maestros de estudiantes jóvenes (por ejemplo, PK o K) pueden incluso considerar más adaptar los objetivos. Por ejemplo, hemos visto a los maestros de jardín de infantes usar símbolos como un lápiz para simbolizar «escribir» y una boca para simbolizar «hablar» cuando publican sus objetivos para que los niños lo vean. También hemos visto a los maestros de jóvenes estudiantes confían en imágenes para mostrar los términos clave que quieren que los estudiantes usen o transmitan el tema de la lección (por ejemplo, una imagen de un gobernante y de las manos para discutir la medición estándar y no estándar) .

Una forma en que los maestros pueden asegurarse de que sus objetivos de idioma sean medibles y amigables con los estudiantes es mediante el uso de verbos apropiados. Porque los objetivos del idioma deberían proporcionar a los estudiantes práctica en las cuatro habilidades lingüísticas de lectura, escritura, escucha y habla, los verbos relacionados con esas habilidades pueden incluir, pero no se limitan a las siguientes:

  • Lista
  • Volver a contar
  • Resumir por escrito
  • Registro

¿Cuántos métodos de solución existen para la Programación por metas?

Emilio> Hablamos de Sputnik matemático soviético cuando Kachian presentó, a finales de los años 70 del siglo pasado, el método elipisoide (complejidad polinómica) para la programación lineal. Sin embargo, el método tiene solo un valor teórico como prácticamente el método Dantzig (complejidad exponencial) es mucho más eficiente. El caso del método de punto interior de Karmarkar es diferente que, concebido en los años 80, utiliza información del interior de la región admisible. Para problemas particulares, siempre en gran tamaño, el algoritmo Karmarkar es competitivo y, a veces, más eficiente que el simplificado. El hecho es que el método simple, a pesar de ser de complejidad exponencial en el peor de los casos, es en la mayoría de los casos de complejidad polinómica y, a veces, la complejidad crece linealmente con el tamaño del problema. Entiendo que, dada la importancia de los problemas de P.L., los investigadores están trabajando actualmente tanto en variantes del método Karmarkar como en el método Dantzig para hacerlos cada vez más eficientes y robustos. También me gustaría, a quién soy solo un usuario de la P.L., tener información de lectores expertos sobre el procedimiento de estos estudios. Maria> en realidad el P.L. Se presta muy bien para resolver los problemas de maximizar una función económica en presencia de recursos limitados. Sin embargo, recuerdo que estos problemas (producción, transporte, logística, etc.) fueron abordados por primera vez por Kantorovich (Premio Stalin y Premio Nobel) en la Unión Soviética; Por lo tanto, como parte de una economía planificada. Los problemas de las universidades, hospitales, etc. Pueden conducir al problema de garantizar los niveles de servicio adecuados (objetivos múltiples primarios) que intentan minimizar una función de costo (objetivo secundario). Incluso las organizaciones que no tienen el objetivo principal, «crear valor para los accionistas» siempre deben tener en cuenta la eficiencia y la eliminación del desperdicio porque de lo contrario el valor de la comunidad está «destruido» y las posibilidades de bienes de buen funcionamiento se reducen sociales. El problema de los niveles de servicio adecuados, a costo mínimo, está muy cerca del problema de la dieta que Dantzig aborda originalmente: en ese caso era cuestión de garantizar una contribución suficiente de proteínas, vitaminas, carbohidratos, etc. a un costo mínimo. La gran dificultad de los problemas de los «servicios adecuados» radica en realizar una transición correcta de la situación problemática al modelo matemático equivalente: las calles del infierno están pavimentadas con soluciones matemáticas correctas que resuelven problemas incorrectos (dificultad de traducción entre el problema y el modelo ).

Me parece que los problemas de programación lineal consisten en la mejor configuración de recursos para maximizar las ganancias. Por lo tanto, siempre se trata de optimizar el desempeño de una empresa privada que opera en una economía capitalista. Además, incluso en una economía, capitalista hay organizaciones (hospitales, escuelas, universidades, instituciones de seguridad social, etc.) que no tienen como objetivo crear valor para el accionista, pero que están dirigidos a la satisfacción o la provisión de servicios a sus propios clientes/usuarios.

Leí que hoy hay métodos, para programación lineal, mejor que el método Dantzig SimpleSs. ¿Es verdad? ¿Cuáles son?

¿Qué es la formulacion de modelos de programación lineal?

Universal Corporation fabrica dos productos: P1 y
P2. El beneficio por unidad de los dos productos es de Rs. 50 y
Rs. 60 respectivamente. Ambos productos requieren procesamiento en tres máquinas.
La siguiente tabla indica las horas de máquina disponibles por semana y
El tiempo requerido en cada máquina para una unidad de P1 y
P2. Formular este problema de mezcla de productos en la programación lineal
forma.

Deje que X1 y X2 sean las cantidades fabricadas de
Productos P1 y P2 respectivamente. El objetivo
Aquí está maximizar la ganancia, que está dada por el lineal
función

Dado que una unidad de producto P1 requiere dos horas de procesamiento
en la máquina 1, mientras que el requisito correspondiente de P2 es
Una hora, la primera restricción se puede expresar como
2×1 + x2 ≤ 300

Además, no puede haber ninguna producción negativa
que puede declararse algebraicamente como
x1 ≥ 0, x2 ≥
0

Se dice que una variable que también puede asumir valores negativos no tiene restricciones en el signo.

El problema ahora se puede establecer en el formulario de programación lineal estándar como

Aditividad. Las cantidades totales de cada entrada y la correspondiente
Las ganancias son las sumas de los insumos y ganancias para cada proceso individual.
Por ejemplo, una unidad de producto 1 y una unidad de producto 2 requieren
3 (2 + 1) horas de procesamiento en la máquina 1, 7 (3 + 4) horas de procesamiento
En la máquina 2, 11 (4 + 7) horas de procesamiento en la máquina 3 y rendimiento
Rs.110 (50 + 60) Beneficio.

Divisibilidad. Los niveles de actividad pueden asumir
valores fraccionales y valores enteros. Por ejemplo, admitimos
La posibilidad de x1 = 509/3 o 169.67, x2 = 509/4 o 127.25.

¿Dónde se aplica la Programación por metas?

Aunque la programación de objetivos se desarrolla dentro de un marco de satisfacción, sus diferentes variantes se pueden interpretar desde el punto de vista de la teoría de la utilidad como se destaca en esta sección. Este tipo de análisis ayuda a aclarar la variante de programación de objetivos, así como a proporcionar los cimientos de ciertas extensiones de la función de logro.

Comencemos con la programación de objetivos lexicográficos, donde la no compatibilidad entre los ordenamientos lexicográficos y las funciones de utilidad es bien conocido. Para evaluar adecuadamente el efecto de esta propiedad en el valor pragmático de este enfoque, debemos comprender que la razón de esta no competencia se debe exclusivamente a la no continuidad de las preferencias subyacentes a los ordenamientos lexicográficos.

Por lo tanto, una cuestión de discusión que vale la pena no sería argumentar en contra de la programación de objetivos lexicográficos porque asume implícitamente un sistema de preferencias no continuos, sino determinar si las características de la situación problemática justifican o no un sistema de preferencias continuas. Por lo tanto, el posible problema asociado con el uso de la variante lexicográfica no se encuentra en su no compatibilidad con las funciones de utilidad, sino en el uso descuidado de este enfoque. De hecho, en los contextos donde las preferencias del tomador de decisiones son claramente continuas, se debe utilizar un modelo basado en pesos no previos. Además, también es importante tener en cuenta que una gran cantidad de niveles de prioridad pueden conducir a una solución en la que cada objetivo, excepto aquellos situados en los primeros dos o tres niveles de prioridad, es redundante. En esta situación, el posible bajo rendimiento del modelo no se debe a la falta de significado de utilidad de la función de logro sino a un número excesivo de niveles de prioridad o a niveles de aspiración demasiado optimistas (es decir, cerca de los valores ideales de los objetivos) .

Con respecto a la programación de objetivos ponderada (archimedean), sabemos que esta opción subyace en la maximización de una función de utilidad separable y aditiva en los objetivos considerados. Por lo tanto, la solución Archimedean proporciona el logro agregado máximo entre los objetivos considerados. En consecuencia, parece aconsejable probar la separabilidad entre los atributos antes de que el problema de decisión se modele con la ayuda de esta variante.

¿Cuál es el objetivo de la Programación por metas?

Se dice que la optimización es el corazón de casi todas las técnicas de aprendizaje automático y estadísticas utilizadas en la ciencia de datos. La esencia de la mayoría de los algoritmos de aprendizaje automático es construir un modelo de optimización y luego aprender los parámetros en la función objetivo de los datos dados.

Aquí en este artículo, explicaré la formulación del problema de optimización de objetivos múltiples utilizando la programación de objetivos en detalle.

La optimización de objetivos múltiples también conocidos como programación de objetivos múltiples o optimización de Pareto se ocupa de los problemas de optimización que involucran más de una función objetivo que se optimizará simultáneamente. Esto se ha aplicado en muchos campos de la ciencia, incluida la ingeniería, la logística, el marketing, el transporte, la economía, etc., donde las decisiones óptimas deben tomarse con las compensaciones entre dos o más objetivos conflictivos.

Algunos de los ejemplos más comunes que se ven en nuestra vida diaria son:

Minimizar el costo y maximizar la comodidad al comprar un automóvil,

Maximizar el rendimiento al tiempo que minimiza el consumo de combustible y la emisión de contaminantes peligrosas de un vehículo.

Los problemas anteriores implican dos y tres objetivos, respectivamente. Pero en situaciones prácticas, puede haber más de tres objetivos.

Por lo tanto, para comprender cómo se pueden desarrollar y modelar problemas de optimización de objetivos múltiples, debemos comprender a fondo la programación de objetivos.

Comencemos con una definición formal de programación de objetivos como se hace referencia en Wikipedia.

¿Cuáles son los modelos de Programación por metas?

La programación de objetivos es una extensión de la programación lineal en la que se especifican los objetivos para un conjunto de restricciones. En la programación de objetivos hay dos modelos básicos: el modelo preventivo (lexicográfico) y el modelo archimediano. En el modelo preventivo, los objetivos se ordenan de acuerdo con las prioridades. Los objetivos en un cierto nivel de prioridad se consideran infinitamente más importantes que los objetivos en el siguiente nivel. Con el modelo archimediano, se deben especificar los pesos o sanciones por no lograr objetivos, e intentamos minimizar la suma de las infecciones ponderadas.

Si se utilizan restricciones para construir los objetivos, entonces los objetivos son minimizar la violación de las restricciones. Los objetivos se cumplen cuando las limitaciones están satisfechas.

El ejemplo en esta sección demuestra cómo se puede usar Mosel para implementar la programación de objetivos preventivos con restricciones. Tratamos de cumplir con tantos objetivos como sea posible, tomándolos en orden prioritario.

El objetivo es resolver un problema con dos variables x e y (x, y ≥ 0), la restricción

donde el orden dado corresponde a sus prioridades.

Para aumentar la legibilidad, la implementación del modelo MOSEL (archivo de archivo de archivo) se organiza en tres bloques: el problema se establece en la parte principal, el procedimiento preventiva implementa la estrategia de solución a través de la programación de objetivos preventivos, y el procedimiento imprime produce una buena solución impresa en impresión .

Al final de la parte principal, llamamos al procedimiento preventivo para resolver este problema mediante la programación de objetivos preventivo. En este procedimiento, los objetivos se eliminan por completo del problema (‘oculto’). Luego los agregamos sucesivamente al problema y lo volvemos a solucionar hasta que el problema se vuelva inviable, es decir, las variables de desviación que forman la función objetivo no son todas 0. Dependiendo del tipo de restricción (obtenido con GetType) de los objetivos, necesitamos una (para desigualdades) o dos (para igualdades) variables de desviación.

Artículos Relacionados:

Related Posts

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *