Categoría: Investigación de Operaciones

Indice

Datos de los autores

Palabras Claves

Introducción

Desarrollo

Bibliografía

Problemas

Preguntas de Revisión

Respuestas a Preguntas de Revisión

Datos de los autores

Fernando Marrero Delgado. Doctor en Ciencias Técnicas. Máster en

Informática Aplicada. Ingeniero Industrial. Profesor Auxiliar.
Departamento de Ingeniería Industrial. Universidad Central de Las Villas.
Santa Clara. Cuba. Email: [email protected]

Javier Asencio García. Doctor en Ciencias Técnicas. Ingeniero Industrial.

Profesor Titular. Departamento de Ingeniería Industrial. Universidad
Central de Las Villas. Santa Clara. Cuba. Email: [email protected]

René Abreu Ledón. Máster en Ingeniería Industrial. Ingeniero Industrial.

Profesor Asistente Departamento de Ingeniería Industrial. Universidad
Central de Las Villas. Santa Clara. Cuba. Email: [email protected]

René Orozco Sánchez. Ingeniero Industrial. Aspirante a Máster del

Departamento de Ingeniería Industrial. Universidad Central de Las Villas.
Santa Clara. Cuba. Email: [email protected]
Hugo R. Granela Martín. Doctor en Ciencias Técnicas. Ingeniero
Industrial. Profesor Auxiliar. Departamento de Ingeniería Industrial.
Universidad Central de Las Villas. Santa Clara. Cuba.
Email: [email protected]

Alexander Quiroga Orizondo. Aspirante a Ingeniero Industrial.

Departamento de Ingeniería Industrial. Universidad Central de Las Villas.
Santa Clara. Cuba.

Ronald Díaz Casañas. Aspirante a Ingeniero Industrial. Departamento de

Ingeniería Industrial. Universidad Central de Las Villas. Santa Clara.
Cuba.

Palabras claves

Programación meta, Investigación de Operaciones, Métodos

Multicriterios

Introducción

Los procesos de toma de decisiones se han venido analizando

tradicionalmente sobre la base de un paradigma que puede
esquematizarse de la siguiente forma. En primer lugar, se establece el
conjunto de soluciones posibles o factibles del problema de decisión
analizado. A continuación, fundándose en un criterio, se asocia a cada
solución o alternativa un número que representa el grado de deseabilidad
que tiene cada alternativa par el centro decisor, es decir, se establece
una ordenación de las soluciones factibles. Seguidamente, utilizando
técnicas matemáticas más o menos sofisticadas, se procede a buscar
entre las soluciones factibles aquella que posee un mayor grado de
deseabilidad. Dicha alternativa es la solución óptima.

Este sencillo marco de análisis es el que subyace a cualquier problema

de decisión investigado dentro del paradigma tradicional de la
optimización. Los problemas de decisión abordados por medios de la
programación matemática se ajustan, asimismo, a este tipo de estructura
teórica. Así, en esta clase de problemas, las soluciones posibles se
ordenan con arreglo a un cierto criterio que representa las preferencias
del centro decisor. Esta función de criterio recibe el nombre de función
objetivo. Recurriendo a técnicas matemáticas relativamente sofisticadas
se establece la solución óptima como aquella solución factible para la
que la función objetivo alcanza un valor óptimo.
Desde un punto de vista de contenido empírico, el marco teórico anterior
presenta importantes debilidades que lo desvía considerablemente de los
procesos reales de tomas de decisiones. En efecto, en muchos casos de
la vida cotidiana, los centro decisores no están interesados en ordenar
las soluciones factibles con arreglo a un único criterio, sino que desean
efectuar esta tarea con arreglos a diferentes criterios que reflejan sus
particularidades y preferencias.

Desarrollo

Dentro de la estructura del paradigma multicriterio se debe analizar

primeramente una serie de conceptos y definiciones.

Atributo: Este concepto se refiere a valores del centro decisor

relacionados con una realidad objetiva. Estos valores pueden medirse
independientemente de los deseos del centro decisor, siendo usualmente
susceptibles de expresarse como una función matemática f(x) de las
variables de decisión.

Objetivos: Representan direcciones de mejora de los atributos. La

mejora puede interpretarse en el sentido (más del atributo mejor) o bien
(menos del atributo mejor). El primer caso corresponde a un proceso de
maximización y el segundo a uno de minimización de las funciones que
corresponden a los atributos que reflejan los valores del centro decisor.

Como paso previo a la definición de meta se introducirá el concepto

de nivel de aspiración. Un nivel de aspiración representa un nivel
aceptable de logro para el correspondiente atributo. La combinación de
un nivel de aspiración con un atributo genera una meta.

Finalmente, el término criterio se utiliza como un término general que

engloba los tres conceptos precedentes (atributo, objetivo y metas). En
otras palabras, los criterios constituyen los atributos, objetivos o metas
que se consideran relevantes para un cierto problema decisional. Por
consiguiente, la teoría de la decisión multicriterio constituye un marco
general o paradigma decisional en el que subyacen diferentes atributos,
objetivos o metas.

La programación multiobjetivo 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 o pareto óptimas.

Pese a lo que se acaba de comentar, la utilidad de estos enfoques se

reduce considerablemente en problemas decisionales de un tamaño
relativamente elevado. De las ideas que se acaban de exponer se
desprende que en problemas complejos que conllevan la formulación de
modelos de cierto tamaño, los enfoques multiobjetivos son de limitado
interés y tienen que dejar paso a otros enfoques con una solidez teórica
tal vez menor, pero con una operatividad muy superior. Dentro de esta
línea pragmática puede encuadrarse la programación por metas.

PROGRAMACION POR 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, dentro de
este marco de referencia 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.

La programación por metas es un enfoque para tratar problemas de

decisión gerencial que comprenden metas múltiples o inconmensurables,
de acuerdo a la importancia que se le asigne a estas metas. El tomador
de decisiones debe ser capaz de establecer al menos una importancia
ordinal, para clasificar estas metas. Una ventaja importante de la
programación meta es su flexibilidad en el sentido de que permite al
tomador de decisiones, experimentar con una multitud de variaciones de
las restricciones y de prioridades de las metas cuando se involucra con
un problema de decisión de objetivos múltiples.

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 de aspiración que corresponde a cada atributo,
es decir, el nivel de logro que el centro decisor desea alcanzar.
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. Las
variables de desviación negativa cuantifican la falta de logro de una meta
con respecto a su nivel de aspiración, mientras que las variables de
desviación positiva cuantifican el exceso de logro de una meta con
respecto a su nivel de aspiración.

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 vez clarificado el significado de las variables de desviación, es

importante introducir el concepto de variable de decisión no deseada.
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). Cuando la meta deriva de un atributo del tipo más
del atributo mejor (objetivo a maximizar) la variable no deseada (a
minimizar), será la variable de desviación negativa (cuantificación de la
falta de logro). 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.

Supóngase que un fabricante quiere planear producir por lo menos tres

mesas se escribirá la restricción: T>=3

Esto no permite ningún valor por debajo de 3. Si hubiera otra restricción

en conflicto con esta, el problema no tendría solución factible.

Ahora bien, los objetivos administrativos son mucho menos rígidos y

absolutos. Una manera más real para establecer las restricciones de las
mesas sería: "si es posible, nos gustaría hacer tres mesas por lo menos.
Esto tiene una prioridad alta". En forma análoga, los objetivos de las
ganancias o de los rendimientos sobre inversiones se expresan en
términos de metas deseadas: hacer lo posible por obtener ganancias de
$1000 el próximo año o buscar un rendimiento sobre inversiones del 10%
antes de impuestos. Sin duda pueden ocurrir desviaciones arriba o abajo,
 alrededor de una meta. Si la restricción de las mesas es fabricar por lo
menos tres, esto puede escribirse como: T + Dut - Dot = 3

En donde Dut - Cantidad que falta para lograr el objetivo de las mesas.

Dot - Cantidad que sobrepasa el objetivo de las mesas.

T- Número de mesas.

Nótese que las restricciones de meta siempre se escriben como

igualdades. El primer subíndice de la variable de desviación indica la
variación hacia abajo o hacia arriba de la meta. El segundo subíndice
indica de que se trata el objetivo, en este caso mesas.

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.

No existe algo en la programación por objetivos que prohiba incluir

restricciones que no sean de objetivo o restricciones de recurso.

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 Variable de desviación no

Forma de la meta deseada (a minimizar)
transformada

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

Formulación de la función objetivo

La función objetivo para un problema de programación por meta siempre

es minimizar alguna combinación de variables de desviación. Desde un
punto de vista de toma de decisiones administrativa, esto significa que se
esta buscando la combinación de variables reales por ejemplo (mesas y
sillas) que cumplan mejor con todos los objetivos. Esto podría llamarse
optimizar un conjunto de objetivos "satisfactorios" o satisfacer.

La forma exacta de la función objetivo varia según la respuesta a estas

dos preguntas:

1. ¿Son conmensurables o proporcionales los objetivos?

2. ¿Cuál es la importancia relativa de cada objetivo?

 Objetivos conmensurables de igual importancia: este es el caso

más sencillo, aunque muy pocas veces se encuentra en la practica.
Aquí los objetivos se miden en una escala común (conmensurables
y tienen la misma importancia.

 Ponderación preferente de los objetivos: las ponderaciones de

preferencia pueden aplicarse a cualquier grupo de objetivos
conmensurables. Las ponderaciones deben reflejar la utilidad o el
valor de los objetivos.

 Rango de prioridad de los objetivos: ¿que pasa cuando los

objetivos no son conmensurables, cuando no hay una escala
común para comparar las desviaciones de los diferentes
objetivos?. Este es un caso importante, al que se enfrentan con
frecuencia los administradores. Si el administrador puede ordenar o
dar un rango para sus metas entonces la solución es posible.

Quizás no sea una tarea fácil dar un rango a los objetivos de acuerdo con
su importancia pero es algo que la mayoría de las personas entienden y
pueden lograr. En la programación por objetivos se le asigna la prioridad
P1al objetivo más importante, siguiendo P2 a una prioridad más baja. No
existe limite en el numero de niveles de prioridad pero debe asignarse
una prioridad para cada variable de desviación. Se permiten empates o
prioridades iguales.

Los problemas de programación por meta se resuelven en orden de

prioridad. Es decir, se prueba la optimización en el nivel de prioridad más
alto ignorando las prioridades más bajas hasta optimizar este nivel.

Ejemplo:

La compañía Aedis ha desarrollado recientemente tres nuevos productos

haciendo uso del exceso de capacidad en sus tres plantas sucursales
existentes: Cada producto puede fabricarse en cualquiera de las tres
plantas. El análisis ha demostrado que sería rentable utilizar el exceso de
capacidad para producir estos tres nuevos productos. En realidad, el
propósito de la gerencia al desarrollar los nuevos productos era lograr la
utilización completa de la capacidad productiva de exceso sobre una
base rentable. Mientras que las plantas Aedis generalmente operan a
capacidad plena en sus líneas de productos existentes, la producción por
debajo de la capacidad normal ocurre con poca frecuencia, presentando
problemas con la fuerza laboral. Aunque la compañía no necesita la
fuerza laboral plena durante los períodos de holgura, el costo de los
despidos sería considerable, y Aedis desearía evitar esto tanto como
fuera posible.

Además, la gerencia desearía balancear la utilización del exceso de

capacidad entre las sucursales. Esto serviría para distribuir
equitativamente la carga de trabajo del personal de supervisores
asalariados y reducir los agravios de la fuerza laboral que se le paga por
horas, que de otra manera se sentiría discriminada con respecto a las
cargas de trabajo o a los despidos.

Para el período que es está considerando, las plantas tienen las

siguientes capacidades de producción en exceso(en términos de
unidades) de nuevos productos y capacidades de embarque disponibles
asignadas a los nuevos productos:

Planta capacidad de exceso de capacidad de

producción(unidades) embarque(pies cúbicos)
1 750 12000
2 300 10000
3 450 6500

Los productos 1,2 y 3 requieren 30,20 y 15 pies cúbicos por unidad,

respectivamente. Las contribuciones unitarias a la utilidad de los
productos 1,2 y 3 son $15,18 y 12 respectivamente. Los pronósticos de
ventas indican que Aedis puede esperar ventas tan altas como 900, 1000
y 700 unidades de los productos 1, 2 y 3 respectivamente, durante el
periodo de planeación en consideración.

Dada la situación que hemos descrito, la administración ha expresado las

siguientes metas de preferencia en orden de importancia decreciente
(P1=más importante):

P1. Lograr una utilidad perseguida de $15000.

P2. Utilizar tanto de la capacidad de exceso como sea posible. Debido al

bajo costo de la mano de obra, la administración cree que es 1,5 veces
más importante utilizar la capacidad de exceso de la planta 1 que la de
las plantas 2 y 3.

P3. Lograr un balance de la carga de trabajo en la utilización de exceso

de la capacidad entre todas las plantas. Debido a ciertas demandas
adicionales de los trabajadores de la planta 1, la administración cree que
si ocurre algún desbalance en la carga de trabajo, es dos veces más
importante que favorecer a la planta 1con menor trabajo con respecto a
las plantas 2 y 3

P4. Lograr el pronóstico de ventas para el producto 2, puesto que este

tiene la mayor contribución a la utilidad por unidad.

P5. Producir suficiente cantidad de los productos 1 y 3 para cumplir con

las ventas pronosticadas.

P6. No exceder la capacidad de embarque disponible.

Formulación del modelo

Los siguientes pasos se requieren para formular el modelo de

programación meta.
1-Exceso en las restricciones de capacidad

N- desviación negativa.

P- desviación positiva.

X11 X21  X31  N1 P1 =750

X12  X22  X32  N2 P2 =300

X13  X23  X33  N3 P3 =450.

Donde Xij = número de unidades del producto i producidas en la planta j

N1,N2,N3 =exceso de capacidad no utilizada en las plantas 1,2 y 3

respectivamente.

P1,P2,P3 = cantidad mediante la cual la capacidad de exceso se excede

las plantas 1,2 y 3 respectivamente.

2-Resricciones en el requisito de espacio

30X11  20X21  15X31  N4  P4=12000

30X12  20X22  15X32  N5  P5=10000

30X13  20X23  15X33  N6  P6= 6500

N4,N5,N6 =número de unidades de capacidad de embarque disponible

no utilizada en las plantas 1,2 y 3, respectivamente.

P4,P5,P6 = número de unidades de capacidad adicional de embarque

requerida en las plantas 1,2 y 3, respectivamente

3-Restricciones en las ventas esperadas

X11  X12  X13  N7  P7=900

X21  X2  X23  N8  P8=1000

X31  X32  X33  N9  P9= 700

N7,N8,N9 =número de unidades sublogradas de las ventas esperadas de
los productos 1,2 y 3 respectivamente.

P7,P8,P9 = número de unidades sobrelogradas de las ventas esperadas

de los productos 1,2 y 3 respectivamente.

4-Balance de carga de trabajo

X11  X21  X31 750 = X12  X22  X32 300

X11  X21  X31 750 = X13  X23  X33  450

Este balance de ecuaciones puede escribirse como una restricción meta

por medio de una simple división y por transposición del miembro
derecho como sigue (por transitividad, solamente dos restricciones de
balance son necesarias):

0.0013X11  0.0013X21  0.0013X31  0.0033X12  0.0033X32  P0.00

33X32  +N10  P10 =0

0.0013X11  0.0013X21  0.0013X31  0.0022X13  0.00223X23  0.002

23X33 + N11  P11=0

N10, N11= número de unidades producidas demasiado bajas con

relación a las producidas en las plantas 2 y 3, respectivamente.

P10, P11= Número de unidades producidas en exceso relativas a las que

es producen en las plantas 2 y 3, respectivamente.

5- Restricción de utilidad

15(X11 X12 X13)  18(X21 X22 X23)  12(X31 X32 X33)  N12 
P12=15000

N12 =suma en dólares por debajo de la utilidad perseguida.

P12 = suma en dólares por encima de la utilidad perseguida.

Si la meta de utilidad no se enuncia, se puede restringir el lado derecho

de esta ecuación para que sea cero y determinar cuál sería la utilidad.
Puesto que todas las variables reales (Xij) y las variables de desviación
(N ó P) son no negativas, el valor de (N12, P12) sería la utilidad real.
6- Función objetivo

Minimizar
Z=PR1(N12 P12) 1,5PR2(N1) PR2(N2 N3) 2PR3(N10 N11) PR3(
P10 P11)+PR4(N8) PR5(N7 N9) PR6(P4 P5 P6)

Puesto que la administración desea conseguir una utilidad perseguida de

$15000 con la más alta prioridad, se asigna PR1 a las variables de
desviación en la meta de restricción de utilidad. La segunda meta de la
administración sería utilizar el exceso de capacidad de planta hasta
donde fuera posible. Sin embargo, era preferible utilizar el exceso en la
planta 1 sobre las plantas 2 y 3 en una relación de 1,5 a 1. Esta situación
presumiblemente representa una distinción en los costos de operación de
las diferentes plantas. Para reflejar las prioridades relativas de la
administración, se modifica la formulación estándar de la función
objetivo(que sería(PR2(N1 N2 N3)) a 1,5PR2N1  PR2(N2 N3), que
pondera el logro de la minimización de la desviación 1 con un factor de
3/2 vez. El segundo nivel general de prioridades administrativas que
tienen que ver con el problema de PR2. La tercera meta de la
administración era lograr un balance de subutilizara la planta 1 en vez de
sobreutilizarla, debido a factores adicionales desfavorables que existían
allí y no se presentan en las plantas 2 y 3. Por tanto, se asigna 2PR3 a
N10 y N11 y PR3 a P10 y P11. Puesto que la cuarta meta era lograr las
ventas esperadas del producto 2, se asigna PR4 a N8. A N7 y N9
asignamos PR5, pues la quinta meta es el logro de estas ventas
esperadas. Aquí no preocupa el sobrelogro de las ventas pronosticadas,
puesto que se puede, si hay espacio disponible, almacenar un inventario.
Si no es posible, las restricciones en la capacidad de embarque, que
tienen prioridad más alta, tendrán en cuenta esta situación. Puesto que la
sexta meta de la administración es no exceder la capacidad de
embarque, se asigna a P4, P5 y P6 el valor de PR6.

METODOS DE SOLUCION

Si se supone el problema de planificar la producción de una papelera de

propiedad pública en la que existen dos posibles productos: pulpa
celulosa obtenida por medios químicos o pulpa celulosa obtenida por
medios mecánicos. Se representará por X1 y X2, respectivamente, las
toneladas diarias de pulpa de celulosa obtenida por los dos mencionados
procedimientos. Las capacidades máximas de producción se estiman en
300 y 200 toneladas/día para cada uno de los dos tipos de pasta de
celulosa. Cada tonelada de pasta de celulosa producida demanda un
jornal. La empresa dispone de una plantilla de 400 trabajadores, no
deseando contratar mano de obra eventual. El margen bruto(ingresos
menos costos variables)por tonelada de pasta de celulosa obtenida por
medios químicos es de $1000 , siendo de $3000 el que se obtiene a
través de medios mecánicos Los costos fijos de la papelera se estiman
en 3300 unidades/día: la empresa desearía, al menos, cubrir los costos
fijos.

Las preferencias de la empresa se concentran en la maximización del

margen bruto(objetivo económico) y el la minimización del daño
generado en el río en el que la papelera vierte sus residuos productivos
(objetivo ambiental). Se estima que los residuos producidos por cada
tonelada de pasta de celulosa obtenida por medios mecánicos y por
medios químicos generan unas demandas de oxígeno en las aguas del
río de 1 y 2 unidades. A la vista de estos datos, la estructura matemática
del modelo multiobjetivo es la siguiente:

Se formulará el modelo como un modelo de programación por metas.

Para ello, se consideran los términos independientes no como cantidades
rígidas que hay que alcanzar para que la solución sea factible, sino como
niveles de aspiración que el centro decisor desea satisfacer en la medida
de lo posible. Es decir, las restricciones rígidas iniciales se convierten en
metas o restricciones(blandas) que pueden violarse sin que ello genere
soluciones imposibles. Para desarrollar este ejercicio se asocia al atributo
demanda biológica de oxígeno un nivel de aspiración de 300 unidades, a
los demás atributos se les asocia como nivel de aspiración el término
independiente de la correspondiente restricción rígida, excepto para el
atributo margen bruto, al que se le asocia un nivel de aspiración de 400
unidades. De esta forma, se tiene la siguiente lista de metas:

G1:X1  2X2  N1  P1=300(demanda biológica de oxígeno)

G2:1000X1  3000X2  N2  P2=400( margen bruto)

G3:X1  X2  N3  P3=400 (empleo)

G4:X1  N4  P4=300(capacidad de producción)

G5:X2  N5  P5=200(capacidad de producción)

Seguidamente, se pasa a determinar las variables de desviación no

deseadas. Para la meta G1 la variable de desviación no deseada sería la
P1, pues obviamente se desea alcanzar una demanda biológica de
oxígeno lo más pequeña posible(de ser posible menor de 300 unidades).
Para la meta G2 la variable de desviación no deseada será la N2, pues
se desea alcanzar un margen bruto lo más grande posible(de ser posible
mayor de 400 u). Para la meta G3 se supone que al centro decisor no le
interesa ni quedarse corto con respecto al nivel de aspiración (mano de
obra ociosa), ni quedarse largo(contratación adicional de mano de obra),
en tal caso, tanto N3 como P3 son variables de desviación no deseadas,
finalmente, el centro decisor no desea superar sus capacidades de
producción, lo que implicaría recurrir a turnos extraordinarios, en
consecuencia, las variables P4 y P5 son no deseadas.

Una vez determinadas las variables de desviación no deseadas, el paso

siguiente en la formulación de un modelo de programación por metas
consiste en proceder a la minimización de dichas variables. El proceso
de minimización puede acometerse de diferentes maneras. Puede
decirse que cada una de estas maneras origina una variante de la
programación por metas. Seguidamente se pasa a exponer las variantes
más utilizadas.

PROGRAMACION POR METAS PONDERADAS

La manera más intuitiva de acometer la minimización de las variables de

desviación no deseadas consiste en minimizar la suma de dichas
variables. así, para nuestro ejemplo, tendríamos que proceder a
minimizar la siguiente suma:

MIN P1 + N2 + N3 + P3 + P4 + P5 (4)

Ahora bien, la expresión (4) carece de significado y no debe de utilizarse

como surrogado de las preferencias del centro decisor por las siguientes
razones. La expresión (4) suma variables de desviación medidas en
unidades diferentes(unidades monetarias, número de jornales, toneladas
de pasta de papel, etc.) por lo que su suma no tiene significado, es como
si sumáramos (caña de cerveza con kilos de patatas). Además, como los
valores absolutos de los niveles de aspiración son muy diferentes, la
minimización de (4) puede producir soluciones sesgadas hacia un mayor
cumplimiento de las metas con niveles de aspiración elevados. Ambos
problemas pueden evitarse si en vez de minimizar una suma de
desviaciones absolutas procedemos a minimizar una suma de
desviaciones porcentuales. Así, la expresión (4) se convierte en:
Min. P1/300 + N2/400 + (N3+P3)/400 + P4/300 + P5/200 (5)

En efecto, como los porcentajes carecen de dimensión, la suma dada por

(5) no presenta problema de homogeneidad. Además, el procedimiento
de normalización empleado elimina cualquier sesgo hacia el
cumplimiento de metas con niveles de aspiración elevados. No obstante,
la expresión (5) presenta todavía un problema para poderla considerar un
surrogado de las preferencias del centro decisor, en efecto, en la
formulación dada por (5) subyace el supuesto de que el centro decisor da
la misma importancia al logro de todas las metas, lo cual no tiene
necesariamente que ser cierto. Este problema puede superarse
sustituyendo la expresión (5) por:

Min. W1 P1/300 + W2 N2/400 + W3 (N3+P3)/400 + W4 P4/300 + W5

P5/200.

Donde los coeficientes W ponderan la importancia relativa que el centro

decisor asigna a la realización de cada meta. Este método consiste en
minimizar la suma ponderada de las variables de desviación no
deseadas, expresadas en términos porcentuales, se conoce en la
literatura con el nombre de programación ponderada. Para nuestro
ejemplo, a formulación completa del modelo de metas ponderadas sería
el siguiente:

Min W1 P1/300 + W2 N2/400 + W3 (N3+P3)/400 + W4 P4/300 + W5

P5/200

Sujeto a:

G1: X1 + 2X2 + N1 - P1=300

G2: 1000X1 + 3000X2 + N2 - P2=400

G3: X1 + X2 + N3 - P3=400

G4: X1 + N4 - P4=300

G5: X2 + N5 - P5=200

Algorítmicamente, la estructura del modelo(5) corresponde a la de un

modelo de programación lineal tradicional que puede resolverse de una
manera inmediata recurriendo al Simplex. Para diferentes sistemas de
 pesos se irán generando distintas soluciones. Así, si hacemos
W1=...=W5=1, esto es, si el centro decisor asigna la misma importancia a
la realización de las diferentes metas, se obtiene la siguiente solución
óptima:

N1=0 X1=300 X2=33,33

N3=66,66 P1=66,66 N2=P2=0
P3=0 N4=P4=0
N5=166,66 P5=0

La solución obtenida permite la completa realización de la meta

G2(margen bruto), G4 y G5(capacidades de producción). Por el contrario,
en lo referente a la meta G1, se supera la demanda biológica de oxígeno
deseada en 66,66 unidades y en cuanto a la meta G3, no se utilizan
66,66 jornales de los 400 disponibles obviamente, los análisis basados
en modelos de programación por metas pueden enriquecerse
considerablemente, sometiendo los pesos preferenciales a un análisis de
sensibilidad. De esta manera, para cada conjunto de pesos ensayados
se obtendrá la solución óptima del modelo que mejor se adecua a la
estructura de preferencias del centro decisor que surroga el
correspondiente conjunto de pesos.

PROGRAMACION POR METAS LEXICOGRAFICAS.

En la programación por metas lexicográficas, las metas situadas en la

prioridad más alta se satisfacen en la medida de lo posible, solo entonces
se considera la posible satisfacción de metas situadas en prioridades
más bajas. Es decir, las preferencias se ordenan igual que las palabras
en un léxico o diccionario, de ahí la denominación de programación por
metas lexicográficas.

Con el objetivo de ilustrar la estructura de este enfoque, supongamos

que para el centro decisor la prioridad primera Q1 está formada por las
metas G4 y G5. Esto es, para el centro decisor las primeras metas que
se deben satisfacer de una manera absoluta y excluyente son las que
pretendan garantizar que no se superen las capacidades de producción
de la fábrica. La siguiente prioridad en orden de importancia Q2 está
formada por la meta G1, que pretende que el plan de producción genere
una demanda biológica de oxígeno de, como máximo, 300 unidades. La
prioridad Q3 está formada por la meta G2, que pretende alcanzar un
margen bruto de almenos 400.00 u. Finalmente, la última prioridad Q4,
está formada por la meta G3, que pretende utilizar, exactamente, la
fuerza de trabajo disponible. Consecuentemente, el proceso completo de
minimización lexicográfica de las variables de desviación no deseadas se
traduce en el siguiente vector:

LEX MIN a= (P4+P5);(P1);(N2);(N3+P3)

Sujeto a:

Q2 G1: X1 + 2X2 + N1 - P1=300

Q3 G2: 1000X1 + 3000X2 + N2 - P2=400

Q4 G3: X1 + X2 + N3 - P3=400

Q1 G4: X1 + N4 - P4=300

Q1 G5: X2 + N5 - P5=200

Esta programación por metas lexicográficas puede resolverse

recurriendo a algunos de los métodos de resolución que, con mayor o
menor detalle, se expondrán en los próximos apartados. Recurriendo a
cualquiera de estos métodos se obtiene la siguiente solución óptima.

X1=100 , X2=100
N1=P1=N2=P2=0
N3=200 P3=0
N4=200 P4=0 N5=100 P5=0

Con el siguiente vector de logro óptimo:

A* = 0,0,0,200 .

La solución obtenida permite el logro completo de las metas G1,G2 y G5

que forman las tres primeras prioridades. Con respecto a la meta G3, que
forma la última prioridad, existe una desviación negativa de 200 jornales;
es decir, en la solución lexicográficamente óptima, se satisfacen todas las
metas excepto la referente a la utilización de toda la fuerza de trabajo,
quedando 200 jornales sin utilizar.
Es interesante observar que, aunque las variables P4 y P5 están
medidas en las mismas unidades(toneladas/día) y por tanto su suma
tiene pleno sentido, sin embargo, como sus correspondientes niveles de
aspiración alcanzan valores diferentes, en rigor el término P4+P5 de la
función de logro debería de sustituirse por el término (P4/300)+(P5/200),
tal como se apuntó en el apartado anterior. Asimismo, es útil comparar
las soluciones que han generado los modelos de metas ponderadas y de
metas lexicográficas. En el caso del modelo basado en metas
ponderadas, la suma de las variables de desviación no deseadas en el
óptimo es igual a P1+N3=66,66+66,66=133,32, mientras que en el
modelo lexicográfico dicha suma es mayor: N3=200. Esta diferencia es
lógica, pues la mayor desviación generada por el modelo lexicográfico
queda compensada por un mayor nivel de realización de la meta
G1( P1=0 en el modelo (6), mientras que P1=66,66 en el modelo (5))
situado en la segunda prioridad.

EL METODO SECUENCIAL PARA RESOLVER PROGRAMAS

LEXICIGRAFICOS.

Este método consiste en resolver una secuencia de programas lineales.

El primer programa lineal de la secuencia minimiza la primera
componente del vector de logro, sujeta esta minimización a las
restricciones(igualdades) correspondientes a la prioridad Q1. El segundo
programa lineal minimiza la segunda componente de la función de logro
sujeta tanto a las restricciones correspondientes a las prioridades Q1 y
Q2, como a los valores de las variables de desviación de la prioridad q1
que se obtuvieron en la solución precedente. El procedimiento secuencial
continúa hasta resolver el último programa lineal

Primer problema( primer nivel de prioridad)

Minimizar a1=P4+P5

Sujeto a:

X1 + N4 - P4=300

X2 + N5 - P5=200

Existen óptimos alternativos para las variables de decisión(1*) y para

P4=P5=0.
(1*) la existencia de óptimos alternativos se puede comprobar fácilmente por
inspección de la tabla final del simplex. Así, si en esta tabla para al menos
una variable no básica su costo reducido es cero, entonces existen óptimos
alternativos.

Segundo problema(segundo nivel de prioridad)

Minimizar a2=P1

Sujeto a:

X1 + N4=300

X2 + N5=200

X1 + 2X2 + N1 - P1=300

Nuevamente existen óptimos alternativos para las variables de decisión y

P1=0

Tercer problema( tercer nivel de prioridad).

Minimizar a3=N2

Sujeto a:

X1 + N4=300

X2 + N5=200

X1 + 2X2 + N1=300

1.000X1 + 3.000X2 + N2 - P2=400.000

vuelven a existir óptimos alternativos para las variables de decisión y

N2=0

Cuarto problema (cuarto nivel de prioridad).

Minimizar a4=N3 + P3

Sujeto a:
X1 + N4=300

X2 + N5=200

X1 + 2X2 + N1=300

1.000X1 + 3.000X2 - P2=400.000

X1 + X2 + N3 - P3=400

La solución óptima de este programa lineal, y de todo el modelo

lexicográfico es: X1=100,X2=100,N3=200, en lo referente a variables de
decisión y variables de desviación no deseadas no nulas; se reproduce la
solución ofrecida al final del ejercicio planteado como programación por
metas lexicográficas.

En definitiva, el método secuencial expuesto exige resolver una

secuencia de programas lineales cuyo número máximo coincide con el
número de niveles de prioridad que tenga el modelo. El número de
programas lineales a resolver se reducirá, cuando al resolver uno de
ellos no se detecte la existencia de óptimos alternativos; en tal caso, el
proceso de cálculo se detiene no siendo necesario resolver los
programas lineales.

APLICACIÓN 2 – PROBLEMAS DE TRANSPORTE.

La Mercury Distributing Company suministra un solo producto a tres

clientes en diversos sitios desde bodegas diferentes. Durante el período
de planeación considerado, la compañía no puede cumplir la demanda
de los clientes los cuales deben satisfacerse a expensas de otros. Para
evitar desequilibrios serios, es importante balancear la porción de
demanda satisfecha entre ciertos clientes. También debido a acuerdos
sindicales, la compañía debe satisfacer ciertos requisitos mínimos en los
niveles de embarque en ciertas rutas. Finalmente, varias de las rutas
sobre las cuales se podría embarcar el producto son peligrosas y deben
evitarse.

El problema de transporte se resume a continuación , los costos de

embarque se dan en cada una de las celdas y los valores de demanda
en los márgenes. Note que la demanda total excede al suministro en
1.500 unidades.
De a cliente 1 cliente2 cliente 3 suministro

Bodega 1 10 4 12 3.000
Bodega 2 8 10 3 4.000
Demanda 2.000 1.500 5.000 8.500 7.000

La administración ha expresado las siguientes preferencias de las metas

en el orden decreciente de importancia(P1= más importante):

P1. Satisfacer la demanda total del cliente 3(entrega garantizada).

P2. Satisfacer por lo menos el 75% de la demanda de cada cliente.

P3. Minimizar el costo de transporte para los artículos embarcados.

P4. Embarcar por lo menos 1.000 unidades en la ruta de la bodega 2 al

cliente 1 (convenio sindical9.

P5. Minimizar el costo de embarque en las rutas de la bodega 1 al cliente

3 y de la bodega 2 al cliente 2 (peligros).

P6. Balancear el porcentaje de demanda satisfecha entre los clientes 1 y

2.

Formulación del modelo. Se definen las siguientes variables:

Xij= número de unidades embarcadas de la bodega i al cliente j.

Ni= sublogro de la meta en la restricción i-ésima.

Pi= sobrelogro de la meta en la restricción iésima.

1.restricciones de suministro. El suministro se restringe a la capacidad

de la bodega, por tanto, las desviaciones positivas pueden excluirse de
las restricciones de suministro.

X11 + X12 + X13 + N1=3.000

X21 + X22 + X23 + N2=4.000.

2. restricciones de demanda. Supongamos que la compañía nunca
desea sobrecumplir la demanda del cliente. Por tanto, las desviaciones
positivas pueden excluirse de las restricciones de demanda . sin
embargo, las desviaciones negativas deben incluirse para identificar el
sublogro de las metas de demanda, pues la demanda total excede el
suministro total.

X11 + X21 + N3=2.000

X12 + X22 + N4=1.500

X13 + X23 + N5=5.000.

3. meta de convenio sindical. El convenio sindical expresa que al

menos 1.000 unidades deben embarcarse de la bodega 2 al cliente 1. La
variable N6 representa una desviación negativa de esta meta, mientras
que la variable P6 es la cantidad de sobrelogro de la meta.

X21 + N6 - P6=1.000

4. mínima meta de demanda satisfecha. Para evitar desequilibrios

grandes de satisfacción de demanda entre los clientes, se incluye una
meta de satisfacción de por lo menos el 75% de la demanda de cada uno
de los clientes. Las restricciones adecuadas, incluyendo variables de
desviación son las siguientes:

X11 + X21 + N7 - P7=1.500

X12 + X22 + N8 - P8=1.125

X13 + X23 + N9 - P9=3.750.

5. meta de peligros en la carretera. Debido a los peligros de la

carretera, la Compañía desea minimizar el embarque desde la bodega 1
al cliente 3 y desde la bodega 2 al cliente 2. Por tanto, el nivel de meta
para estas restricciones e fija en cero y se minimizan P10 y P11.

X13 - P10=0

X22 - P11=0.
 6. meta de balance a clientes. La compañía desea transportar
cantidades a los clientes 1 y 2 tales que una proporción igual de la
demanda de cada una sea satisfecha. Esto se puede expresar por

(X11+X21)/2.000 = (X12+X22)/1.500.

así, trasponiendo e incorporando variables de desviación, la restricción

meta se convierte en

X11 - 1,33X12 + X21 - 1,33X22 + N12 - P12=0.

7. meta del costo de transporte. Puesto que la compañía desea

minimizar el costo total de transporte, se impone una meta de cero y se
hace un intento por minimizar la desviación positiva de este valor de la
meta perseguida.

10X11 + 4X12 + 12X13 + 8X21 + 10X22 + 3X23 - P13=0.

8. función objetivo.

Minimizar
Z=PR1(N5)+PR2(N7+N8+N9)+PR3(P13)+PR4(N6)+PR5(1.2P10+P11)+P
R6(N12+P12).

Note que para PR5,P10 tiene un coeficiente de 1,2, pues el costo de

embarque de la bodega 1 al cliente 3 (c=12) es 1,2 veces mayor que el
costo de embarque de la bodega 2 al cliente 2(c=10).

Aplicación 3 – Análisis de portafolio

La Sentinal Finance Company, una compañía pequeña , desea invertir en

cuatro acciones de valores. El costo de cada una y la tasa de retorno
pronosticada de cada una por cinco analistas de la compañía se presenta
a continuación:

Valor 1 Valor 2 Valor 3 Valor 4

Costo $ 30,00 $45,00 $ 27,00 $ 53,00
Pronóstico 1 3,00 13,00 4,00 25,00
Pronóstico 2 1,00 4,50 0,60 15,00
Pronóstico 3 2,75 1,75 2,75 20,00
Pronóstico 4 4,50 5,00 1,90 5,00
Pronóstico 5 3,25 2,75 3,75 35,00
Retorno esperado 2,90 5,40 2,60 20,00
($ / acción )

Además, la compañía financiera no desearía invertir mas de $100.000.

Sentinal tiene las metas siguientes para su portafolio de inversiones:

P1 : Lograr un retorno esperado de 10% de la cantidad invertida.

P2 : Alcanzar un riesgo mínimo ( que se mide como la desviación

absoluta de los retornos esperados ; un subrogado de la varianza )

P3 : Invertir 10% de la inversión total en el valor 4

P4 : Invertir un máximo de $100.000

Formulación del Modelo. El problema de portafolio puede formularse

como un problema de programación meta de la manera siguiente:

1. Restricción en el retorno esperado . Puesto que el retorno esperado

perseguido es 10% , se consideran tanto desviaciones positivas como
negativas en las restricciones , esto es

2,90 x1 + 5,40 x2 + 2,60 x3 + 20,00 x4 + n1 – p1 = 0,10 ( 30 x1 + 45 x2 +

27 x3 + 53 x4 ) , que se simplifica para obtener

 0,10 x1 + 0,90 x2 – 0,10 x3 + 14,70 x4 + n1 – p1 = 0 ,

donde Xj = numero de acciones invertidas en el valor j

n1 = cantidad en que sublogra el retorno esperado

p1 = cantidad en que se sobrelogra el retorno esperado

2- Restricciones de minimización del riesgo

0,10 x1 + 7,60 x2 + 1,40 x3 + 5,00 x4 + n2 – p2 = 0

- 1,90 x1 – 0,90 x2 – 2,00 x3 – 5,00 x4 + n3 – p3 = 0

- 0,15 x1 – 3,65 x2 + 0,15 x3 + 0,00 x4 + n4 – p4 = 0

1,60 x1 – 0,40 x2 – 0,70 x3 – 15,00 x4 + n5 – p5 = 0

0,35x1 – 2,65 x2 + 1,15 x3 + 15,00 x4 + n6 – p6 = 0

donde n2, . . . , n6 = cantidad de desviación negativa con respecto a la

meta de cero

p2, . . . , p6 = cantidad de desviación positiva respecto a cero

La restricción de riesgo , medida como el valor absoluto de las

desviaciones de los retornos pronosticados de un valor con respecto a su
retorno medio pronosticado , se determina de la tabla anterior de
pronósticos . Por ejemplo, la primera restricción en esta sección se
determina como sigue. Primero, determine las desviaciones de los
retornos pronosticados por el primer analista con respecto a los retornos
medios esperados para los valores del 1 al 4. Las desviaciones totales
deseadas de estos pronósticos (multiplicadas por las acciones
desconocidas invertidas en cada valor, Xj) deben ser iguales a cero, para
minimizar el riesgo, como las desviaciones pueden estar por encima o
por debajo de cero se incluyeron tanto las positivas como las negativas
en estas restricciones

3 – Restricción de inversión en el valor 4

53,00 x4 = 0,10 ( 30,00 x1 + 45,00 x2 + 27,00 x3 + 53,00 x4 ) – n7 + p7

- 3,00x1 –4,50 x2 – 2,70 x3 + 47,70 x4 + n7 – p7 =0

donde n7=cantidad que falta para lograr invertir el 10% de los fondos
invertidos en el valor 4

p7=cantidad sobrelograda de esa meta

Esta restricción plantea que se quiere invertir exactamente 10% de los

fondos invertidos en el valor 4 ; por tal razón se han incluido las
desviaciones positivas y negativas , y estarán presentes en la función
objetivo
4 – Restricción de inversión total

30 x1 + 45 x2 + 27 x3 + 53 x4 + n8 = 100.000

donde n8 = cantidad en que no se satisface la meta

Solo se incluyo la variable de desviación negativa porque la restricción se

limita a la cantidad de fondos disponibles

Modelo de Programación Meta Resumido

Minimizar Z = P1 ( n8 ) + P2 (n1 + p1 ) + P3 ( n2 + p2 + n3 + p3 + n4 + p4
+ n5 + p5 + n6 + p6 ) + P4 ( n7 + p7 )

-0,10 x1 + 0,90 x2 – 0,10 x3 + 14,70 x4 + n1 – p1 = 0

0,10 x1 + 7,60 x2 + 1,40 x3 + 5,00 x4 + n2 – p2 = 0

-1,90 x1 – 0,90 x2 – 2,00 x3 – 5,00 x4 + n3 – p3 = 0

-0,15 x1 – 3,65 x2 + 0,15 x3 + 0,00 x4 + n4 – p4 = 0

1,60 x1 – 0,40 x2 – 0,70 x3 – 15,00 x4 + n5 – p5 = 0

0,35 x1 – 2,65 x2 + 1,15 x3 + 15,00 x4 +n6 – p6 = 0

-3,00 x1 – 4,50 x2 – 2,70 x3 + 47,70 x4 + n7 – p7 = 0

30,00 x1 + 45,00 x2 + 27,00 x3 + 53,00 x4 + n8 = 0

todo Xj , Ni , Pi >= 0

Para resolver un problema multicriterio por programación lineal, una de

las metas tendría que escogerse y formularse en la función objetivo. Esta
sería la meta de menor importancia. Las metas restantes necesitarían ser
incorporadas en las restricciones del modelo. El algoritmo simplex sería
para seleccionar una solución óptima que satisfaciera primero todas las
restricciones, y solamente se preocupara posteriormente en la
optimización de la función objetivo. Si no existe solución que satisfaga
todas las restricciones, la meta en la función objetivo se tendría que
eliminar y formular un nuevo problema de programación lineal.
La nueva formulación contendría entonces en la función objetivo la
siguiente meta de menor importancia. Este proceso continuaría hasta
obtener una solución factible.

Las características claves de un problema de programación meta son:

 las metas se satisfacen en el orden de prioridad establecido por el

tomador de decisiones.

 Las metas no necesitan satisfacerse exactamente sino tan cerca

como sea posible.

El modelo de programación meta se puede expresar en general en la

forma siguiente:

Minimizar Z= Wi(Pi+Ni)

Sujeto a  aij +N – P = bi

Xj, Ni, Pi  0, todo i, j

Donde Xj es la variable de decisión j.

Wi es la prioridad asignada a la meta i

Ni es el grado de sublogro de la meta i.

Pi es el grado de sobrelogro de la meta i.

La principal diferencia entre la programación meta y la programación

lineal, es que en la programación lineal todos los objetivos excepto el
más débil deben satisfacerse exactamente, mientras que para la
programación meta cada meta debe satisfacerse hasta donde esa
posible.

Si se desea lograr una meta exactamente, tanto las variables de

desviación como las variables que indican la cantidad de sublogro de la
meta deben incluirse en la función objetivo que se debe minimizar. Si se
debe evitar el sublogro, la variable de desviación correspondiente al
sublogro debe incluirse en la función objetivo, pero la del sobrelogro
podría eliminarse.
Por ejemplo, si uno desea hacer que la suma de dos variables X1 y X2
sea igual a 100, la restricción podría formularse así:

X1 + X2 + N1 - P1=100

Aquí N1  0 indicaría que la suma X1 y X2 sería menor que 100 y P1  0

indicaría que la suma sería mayor que 100. Para un logro exacto de la
función objetivo( para minimizar) tendría que incluirse tanto P1 como N1.
Para evitar el sublogro, solamente la variable N1 aparecería en la función
objetivo.

Los factores de prioridad preestablecidos son los coeficientes asociados

con las desviaciones en cada meta en la formulación de programación
meta. Tienen la prioridad de que, si la meta i es más importante que la
meta j, el factor Pi será mucho mayor que Pj. Esto significa que aún si las
desviaciones de la meta j son muy grandes comparadas con las
desviaciones de la meta i, el método simplex minimizará la función
objetivo de acuerdo a la desviación de la meta i.

La ponderación cardinal puede ser usada(1) para indicar el valor relativo

de las metas , uno podría asignar un factor de prioridad 3Pi a una meta
tres veces más importante que la meta i, o (2) para indicar la importancia
relativa del sobrelogro versus el sublogro de una meta. Si los pesos
cardinales se asignan a las metas o prioridades, el problema puede
resolverse como un programa convencional lineal.

En general, una solución simplex a problemas de programación meta es

similar a problemas de programación lineal. Sin embargo, en el caso de
programación meta , debemos trabajar en la función objetivo con factores
de prioridad en lugar de pesos. El resultado de estos es que los términos
de la fila de evaluación (Zj – Cj), en general, son términos que contienen
uno o más factores de prioridad. Así, en la programación meta, para
escoger las variables que entran a la base, buscamos el término (Zj – Cj)
que contenga el valor positivo más alto en el factor de prioridad más alto
que permanezca. Solamente después de que los términos más altos de
prioridad Zj -Cj tomen valores no positivos, consideramos los términos de
baja prioridad. En la programación meta, los términos Zj – Cj son
vectores, mientras que en la programación lineal son escalares.

La programación meta es aplicable en las siguientes áreas:

  MERCADEO. Donde las metas conflictivas podrían ser: maximizar
la participación del mercado, minimizar los costos de publicidad,
maximizar el margen de gananci8a por artículo vendido.

 CONTROL DE INVENTARIOS. Donde es necesario minimizar el

número de faltantes y minimizar el costo de almacenaje.

 PRODUCCION. Donde es necesario minimizar el costo de

fabricación, maximizar el control de calidad, y maximizar la
utilización de recursos.

Un método para obtener la clasificación de importancia es la

comparación por pares. Al tomador de decisiones se le presentan todos
los pares posibles y se le pregunta, qué meta de cada par es más
importante. A cada meta se le da una clasificación basada en el número
de veces que la meta tiene la clasificación más alta en las
comparaciones por pares. Si el tomador de decisiones es consistente, la
meta más importante debería tener el rango más elevado en las n-1
comparaciones apareadas(donde n es el número de metas), la siguiente
mejor deberá tener la clasificación más lata en n-23 metas y así
sucesivamente.

Bibliografía

1. Arbonas, M.E. Optimización Industrial (I): Distribución de los

recursos. Colección Productica No. 26. Marcombo S.A, 1989.

2. Arbonas, M.E. Optimización Industrial (II): Programación de

recursos. Colección Productica No. 29. Marcombo S.A, 1989.

3. Anderson, D.R., Sweeney.J. , Williams,T.A. , Introducción a los

Modelos Cuantitativos para Administración. Grupo Editorial
Iberoamérica. 1993.

4. Moskowitz,H. y Wright G.P. Investigación de Operaciones.

Prentice_Hall Hispanoamericana S.A. 1991.

5. Trujillo,J;Batista,A: Métodos Económicos-Matemáticos I.Editorial

ISPJAE, Habana,1986.

6. Taha,H: Investigación de Operaciones.Alfaomega,México,1995.

 7. Buffa,E: Operations Management: Problems and Models. Edición
Revolucionaria,La Habana, 1968.

Problemas

1. Un pequeño fabricante de equipo especial de productos de oficina

fabrica dos clases de productos, sillas y lámparas. El margen bruto
de la venta de una silla es $80; el de la venta de una lámpara, $40.
La meta del gerente de planta es lograr una utilidad bruta de $640
la semana siguiente. Formule este problema como un problema de
programación meta.

2. Considere el problema del ejercicio 1. Suponga que además de la

restricción de la meta considerada en el ejemplo, se imponen las
dos restricciones meta. Los informes del departamento de
mercadeo indican que le máximo número de sillas que pueden
venderse en una semana es de seis. El máximo número de
lámparas es ocho. Reformule este problema como un problema
como un problema de programación meta.

3. Considere de nuevo el fabricante de equipos de oficina de los

ejercicios 1 y 2. Suponga que el gerente desea ahora lograr una
utilidad semanal tan cerca de $640 como sea posible. También
desea lograr un volumen de ventas para las sillas y lámparas cerca
e seis y cuatro, respectivamente. Reformule este problema de
decisión del gerente como un programa meta.

4. Considere el siguiente problema modificado del fabricante de

equipo de oficina. La producción de una silla o de una lámpara
requiere 1 hora de capacidad de producción de 10 horas por
semana. Debido a la capacidad limitada en las ventas, el máximo
número de sillas y lámparas que puede venderse es de seis y de
ocho por semana respectivamente. El margen bruto de la venta de
una sillas es $80 y de $40 para una lámpara. El gerente de planta
ha colocado las siguientes metas, clasificadas de acuerdo a
importancia:

 desea evitar la subutilización de la capacidad de producción.

 Desea vender tantas sillas y lámparas como sea posible. Puesto

que el margen bruto de la venta de una silla se ha fijado como el
 doble de la utilidad de una lámpara, tiene un deseo doble de lograr
la meta de sillas sobre la meta de las lámparas

 desea minimizar el tiempo extra de la planta tanto como sea

posible.

Formule este problema como un problema de programación meta, para

que el gerente de planta pueda tomar una decisión que cumpla sus
metas tanto como se pueda.

5. Un gerente de producción se enfrenta al problema de asignar

trabajo a dos de sus máquinas. La tasa de procesamiento de la
máquina 1 es de 5 unidades por hora en la segunda máquina. El
tiempo de operación regular en ambas máquinas es de 8 horas por
día. El gerente de producción tiene las siguientes metas para el
próximo día en orden de prioridad:

- Evitar el sublogro del nivel de producción, que se ha fijado en 120

unidades del producto.

- Evitar que el tiempo extra en la máquina 2 exceda 3 horas.

- Minimizar la suma del tiempo extra(nota: asigne pesos

diferenciados de acuerdo al costo relativo del tiempo extra-
suponga que el costo de operación de las dos máquinas es el
mismo).

- Evitar la subutilización del tiempo normal de trabajo( asigne pesos

de acuerdo a la productividad relativa de las máquinas).

6. Universal appliances produce congeladores. La compañía tiene

dos líneas de producción. La tasa de producción para la línea 1 es
3 unidades por hora y para la línea 2 es de 2 unidades por hora. La
capacidad regular de producción es de 40 horas por semana para
ambas líneas. La utilidad bruta de un congelador es de $125. El
presidente de la compañía tiene las siguientes metas para la
semana siguiente, que se muestran en orden descendente de
prioridad.

 - Cumplir la meta de producción de 200 unidades por semana.

- Limitar la operación de tiempo extra de la línea a 5 horas.

 - Evitar la subutilización de las horas normales de trabajo de ambas
líneas.

- Limitar la suma de la operación de tiempo extra para ambos

grupos.

a. Formule este problema como un problema de programación meta.

b. Resuelva este problema por el método gráfico de programación

meta.

c. Resuelva este problema por el método simplex de programación

meta. Compare su solución a la que se obtiene por el método
gráfico.

1. Resuelva el siguiente problema por los métodos gráficos y simplex

de programación lineal.

2. Minimizar Z=PR1(N1) + 2PR2(N2) + PR3(P1)

Sujeto a X1 + X2 + N1 – P1=400

X1 + N2=240

X2 + N3=300

3. Resuelva el siguiente problema por los métodos gráficos y simplex

de programación meta:

4. Minimizar Z= PR1(N1) + PR2(P2) + 6PR3(P3) + 5PR3 (P4) +

6PR4(N4) + 5PR4(N3)

SUJETO A 50X1 + 60X2 + N1-P1=1.200

10X2+N2-P2=110

10X1+N3-P3=80

100X2+N4-P4=800

5. La planta de producción de un pequeño fabricante de artículos de

tenis tiene una capacidad operacional máxima de 8 horas por día.
Con esta capacidad, la compañía produce dos productos: una
 raqueta de tenis de madera de línea y una raqueta de tenis de
aluminio requieren 6 y 10 minutos respectivamente, en la fábrica.
Debido a la capacidad limitada de ventas, las ventas esperadas de
las raquetas de madera y aluminio, son 60 y 50 respectivamente.
La utilidad unitaria de la venta de la raqueta de madera es $5,
mientras que la de aluminio deja una utilidad unitaria de %10. El
gerente de la compañía ha enumerado las siguientes metas en
orden de importancia:

 evitar la subutilización de la capacidad de producción.

 Lograr las ventas esperadas paras las raquetas de madera y

aluminio.(nota: puesto que la utilidad de la venta de la raqueta de
madera es la mitad de la raqueta de aluminio, él tiene la mitad del
interés en lograr la meta de ventas de la madera sobre la de
aluminio.)

a. Formule este problema como un problema de programación meta y

resuelva para obtener un programa óptimo de producción.

b. Fratemos ahora las variables de desviación con respecto a las

metas perseguidas en la función objetivo como términos
cuadráticos. Esto es, nuestra desutilidad por no lograr una meta
perseguida dada, varía con el cuadro de nuestra desviación(en vez
de linealmente) de esa meta. Formule este problema como un
problema de programación meta cuadrática utilizando un algoritmo
adecuado de programación cuadrática.

c. Suponga de nuevo que el gerente tiene preferencias cuadráticas

como en (b); sin embargo, ha puesto una meta adicional. Esta
meta es lograr las ventas esperadas para los productos en el
extremo alto y minimizar el tiempo extra requerido por producción.
( nota: esto implica preferencias asimétricas, o términos de
interacción que comprenden variables de desviación.) esta meta
adicional se supone que tiene el mismo grado de importancia como
el logro de las ventas esperadas. Formule y resuelva este
problema como un problema de programación meta.

1. Dados los datos siguientes, deseamos estimar los parámetros de

una función lineal que relaciona las ventas de tv con el precio y
producción.
 Datos de regresión que relaciona las ventas de tv al precio y
producción

Observación ventas de tv precio de tv producción de tv

Datos primarios
1 100 10 100
2 50 15 100
3 130 13 70
datos secundarios
4 200 13 150
5 170 15 200

Suponga que tenemos un conocimiento a priori de que el incremento de

precios de un tv tiene un efecto no negativo en la cantidad producida.
Note también que consideramos los datos primarios como dos veces
más importantes que los secundarios, pues se cree que son dos veces
más exactos.

a. Formule este problema como un problema de programación meta

cudrática.

b. usando minimización de los errores absolutos de desviación como

un criterio, formule este problema como un problema lineal de
programación meta.

Preguntas de revisión

1. ¿ qué es la programación meta? ¿ cuándo se aplica?

2. haga un contraste de diferencias entre la programación lineal y la

programación meta lineal.

3. muestre cómo podría resolver un problema multicriterio por

programación lineal.

4. Exprese las características claves de un problema de

programación meta en general, definiendo términos. Construya un
problema ejemplo simple y formúlelo como un problema de
programación meta lineal. Haga un contraste entre esta
 formulación por programación lineal. Resuelva ambas
formulaciones gráficamente y discuta sus resultados.

5. Si una meta debe cumplirse exactamente, ¿ cómo se maneja esto

en la función objetivo del modelo de programación meta? Si se
debe evitar el sublogro de una meta(sobrelogro), ¿ cómo se puede
manejar esto en la función objetivo ¿ lustre con ejemplos.

6. ¿ qué se entiende por factores prioritarios preestablecidos en un

problema de programación meta?

7. ¿ se puede utilizar ponderación cardinal en la función objetivo de

un modelo de programación meta? ¿ qué le pasa a un modelo de
programación meta, si se asignan pesos cardinales a todas las
prioridades de la función objetivo de un modelo de programación
meta?

8. Haga un contraste de las diferencias para resolver un problema de

programación lineal versus problema de programación meta por el
método simplex.

9. Ilustre algunas áreas problema de la administración en donde

usted piense que la programación meta podría aplicarse. Sea tan
específico como le sea posible.

10.Explique e ilustre un método para obtener clasificación por

importancia de metas múltiples.

Respuestas a las preguntas de revisión

1. La programación meta es una técnica de programación matemática

que trata las restricciones de un problema de programación lineal,
como metas en la función objetivo. La óptimización significa llegar
tan cerca como sea posible al logro de estas metas en orden de
prioridad, del modelo preespecificado por el tomador de decisiones.
La programación meta es eplicable a una meta o metas múltiples,
aunque su gran empleo ocurre cuando las metas son múltiples y
conflictivas y todas no pueden satisfacerse simultáneamente.

2. En programación lineal, se elije una meta como función objetivo y

las otras metas se especifican como restricciones. Cualquier
solución a un problema de programación lineal, debe satisfacer
todas las restricciones antes de optimizar la función objetivo.

 En la programación meta lineal , cada meta entra en la

formulación del problema con una restricción de igualdad que
contiene variables de holgura, indicando el logro o sublogro de las
metas. La función objetivo condiciona estas variables de desviación
y una solución intentará minimizarlas en orden de prioridad. Así, la
programación meta tolera el logro total o parcial de las metas,
mientras que la programación lineal requiere la satisfacción total de
todas las metas representadas por las restricciones.