Tecnológico Nacional de México

Instituto Tecnológico Superior de Coatzacoalcos

Ingeniería industrial
5to semestre “A”

Investigación de Operaciones II

Unidad 1: Programación por metas

Maestro: Torres Cabrera Carlos

Alumnos:
Altamirano Vázquez José Ricardo
Hernández Gómez Samuel
Orozco Ambrosio Enrique Everardo

Fecha: 08/ Ago/ 18

1
 Índice
Introducción 3
Unidad 1: Programación por metas.
 1.1 Definición y conceptos generales. 4
 1.2 Modelo general de metas. 4
 1.3 Diferencias entre modelo lineal y modelo metas. 6
 1.4 Modelos de una sola meta. 6
 1.5 Modelos de metas múltiples. 8
 1.6 Modelos de subtemas dentro de una meta. 10
 1.7 Métodos de solución. 11
 1.8 Uso de software 11
Conclusión 13
Bibliografías 14
Introducción
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.

En principio fue dirigida a resolver problemas industriales, sin embargo,

posteriormente se ha extendido a muchos otros campos como la economía,
agricultura, recursos ambientales, recursos pesqueros, etc.

Hoy en día esos métodos se ocupan mucho en administración de empresas y en

la microeconomía.

A continuación, haremos un reporte de investigación breve y conciso acerca de la

unidad 1 de Investigación de operaciones II “Programación por metas”.
Definición y conceptos generales
Carlos Romero define la programación por metas de la siguiente manera: “La
programación por metas se aleja de una filosofía de optimización, entroncando
con una filosofía satisfaciente en la línea que propone Herbert Simón (1955,
1957). Este prestigioso economista conjetura que en las complejas organizaciones
actuales (grandes empresas, agencias gubernamentales, sindicatos, etc.), el
contexto decisional está definido por información incompleta, recursos limitados,
multiplicidad de objetivos, conflicto de intereses, etc. En este tipo de contexto, el
centro decisor no está en condiciones de maximizar nada, y menos una bien
definida función de utilidad como supone el análisis económico tradicional.

Por el contrario, Simón conjetura que, en contextos decisionales complejos, el

centro decisor intenta que una serie de metas relevantes se aproximen lo más
posible a unos niveles de aspiración fijados de antemano”. Por lo tanto, la
programación por metas tiene de fondo una filosofía que se llama “satisfaciente”,
lo que quiere decir que no tiene por qué haber una obligatoriedad de satisfacerlo,
sino que se ubican cuáles son las metas más relevantes y se intenta que acercar
lo más posible a los niveles de aspiración.

Como mencionó Simón, los centros decisores cada vez son más complejos y
además tienen que considerar más parámetros que pueden limitar su deseo, y es
en estos en los que sería conveniente aplicar la programación por metas. A pesar
de que Simon y otros autores como Charnes, Cooper & Ferguson, empezaron a
plantear la programación por metas en el año 1955, hasta mediados de los años
70 no empezó a popularizarse.

Modelo general de metas.

Lo primero que hay que hacer para crear un modelo en la programación por
metas, es fijar cuales son los atributos relevantes, entrando aquí la subjetividad del
centro decisor, es decir, la relevancia del atributo la estipulará el centro decisor, lo
cual hará que varíen de unos a otros en muchas ocasiones. Una vez fijados los
atributos, se determina cual es el nivel de aspiración para cada uno. A
continuación, se conectan el atributo y el nivel de aspiración, introduciendo las
variables de desviación, positivas o negativas, para el exceso o para la falta
(Jones y Tamiz, 2010). De esta forma, para el atributo i-ésimo, la meta se
transforma en la siguiente ecuación:

Donde, fi(x) representa la expresión matemática del atributo i-ésimo, ti su nivel de

aspiración, ni la variable de desviación negativa y pi la positiva. Estas dos últimas
como ya se ha mencionado anteriormente, representan la falta de logro en el caso
de la negativa, y el exceso de logro en el caso de la positiva.
Luego a la hora de operar matemáticamente con el modelo, siempre una de las
dos variables tiene que ser cero, porque si las dos son positivas la interpretación
del resultado sería que el nivel de aspiración se excede y se queda corto a la vez.
En este nuevo método, programación por metas, hay que introducir un nuevo
concepto que serán las variables de desviación no deseadas, lo que implica que al
centro decisor le interesa que esa variable sea el valor más bajo posible.
Si el objetivo es maximizar un atributo, la variable de desviación no deseada será
la n, la negativa; en cambio si el objetivo es minimizar el atributo, la variable de
desviación no deseada será la p, la positiva; y si el objetivo a alcanzar es el mismo
que el nivel de aspiración, p y n serán las dos no deseadas.
Supongamos que una compañía produce dos tipos de productos: A y B. Para la
fabricación, el producto A requiere 5 piezas del tipo I y 3 piezas del tipo II; B
requiere 4 piezas del tipo I y 2 piezas del tipo II. El beneficio de A es de 20€ y el de
B de 30€. La compañía aspira a conseguir un beneficio de 2000€ semanales. El
tiempo de producción para el producto A es de 7 horas por trabajador y para el B
de 3 horas por trabajador.
La compañía contrata a 7 personas en el departamento de producción y quiere
que el total de horas semanales de trabajo sea de 250. Han firmado un contrato
con un proveedor para recibir un total de 80 piezas del tipo I y 60 del tipo II. Es
posible pedir más partes, pero serían más caras. La capacidad de producción de
la máquina en total, teniendo en cuenta los dos productos, es de 80 productos por
semana.
La compañía tiene un propósito de producir al menos 50 productos de cada clase
semanalmente. Como hemos explicado, lo primero será identificar las variables de
decisión, las metas y las restricciones:
El objetivo de 2000€ de beneficio será la primera restricción:
30x1 + 20x2 ≥ 2000
La compañía sobrevivirá a pesar de que el beneficio sea menor, por lo tanto, será
una meta deseable pero no indispensable. Como será preferible tener un mayor
beneficio a un menor, la variable de desviación a minimizar será n1.
30x1 + 20x2 + n1 – p1 = 2000
La segunda restricción será estipulada por el total de horas de trabajo semanales:
7x1 + 3x2 ≤ 250
Como los empleados pueden hacer horas extra o puede contratarse un mayor
número de empleados, será una meta deseada. En este caso, la variable que
indica horas extra (p2) será la variable a minimizar.
7x1 + 3x2 + n2 – p2 = 250
Las siguientes dos restricciones son fijadas por la capacidad del proveedor; para
las piezas del tipo I:
5x1 + 4x2 ≤ 80
Para piezas del tipo II:
3x1 + 2x2 ≤ 60
La compañía tendrá la opción de pedir más piezas, por lo tanto, será una meta
deseable o una restricción suave. Las piezas adicionales serán más caras, por lo
tanto, las variables de desviación positivas, p3 y p4, serán las variables a
minimizar.
5x1 + 4x2 + n3 – p3 = 80 3x1 + 2x2 + n4 – p4 = 60
 Las dos siguientes restricciones, se refieren a los objetivos estratégicos de la
compañía, que es producir un mínimo de 50 productos A y B.
Las restricciones serán las siguientes:
x1 ≥ 50 x2 ≥ 50
Es posible producir menos, por lo tanto, las restricciones serán convertidas en las
siguientes metas.
x1 + n5 – p5 = 50 x2 + n6 – p6 = 50
La última restricción, será la que se refiere a la capacidad de la máquina:
x1 + x2 ≤ 80

Estos es una restricción dura, porque la máquina no tiene mayor capacidad que la
indicada. Por lo tanto, no puede ser transformada en una meta. Una vez
determinadas las variables de desviación no deseadas, el último paso es la
minimización de éstas.

Diferencias entre modelo lineal y modelo metas.

Modelo Lineal Modelo de metas

 Resuelve problemas indeterminados
 Obtenemos un resultado optimo
 Se usa mucho en la microeconomía
y en la administración de empresas.
 Las variables y función
objetivo deben ser lineales
 Las soluciones no deben ser
necesariamente números
enteros.
 La solución óptima (Max. o min.)
debe ocurrir en uno de los
vértices del conjunto de sistemas
factibles.
 Resuelve problemas multiobjetivo
 Permite escoger variables que
ofrecen una mejor solución al
problema.
 Permite trabajar con metas
medidas en distintas unidades e
incluso contrapuesta
 Permite tener varios objetivos
simultáneos que deseamos
alcanzar

Modelos de una sola meta.

En la programación Meta, en vez de intentar minimizar o maximizar la Función

Objetivo directamente, como en la programación lineal, se minimizan las
desviaciones entre las metas y los límites logrables dictados por el conjunto dado
de restricciones en los recursos. Estas variables de desviación, que se denominan
de "holgura" o "sobrantes" en programación lineal toman un nuevo significado en
la Programación Meta. Ellas se dividen en desviaciones positivas y negativas de
cada una de las subtemas o metas. El objetivo se convierte entonces en la
minimización de estas desviaciones, dentro de la estructura prioritaria asignada a
estas desviaciones.

Ventajas
 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 apoyo en la toma de
decisiones respecto a varios
objetivos
Desventajas
 La función objetivo, restricciones
y las relaciones entre las metas
deben ser lineales
 Las fracciones en la variable
de decisión deben de ser
aceptadas en la solución.
 Los coeficientes del modelo
deben de ser constantes, en otras
palabras, el problema requiere
de una solución en un medio
de decisión estático.
 Las soluciones no son óptimas
sólo suficientes, pueden cumplir
ninguna, una o algunas de los
objetivos transformados en
metas.

Ejemplo:
Formular el problema de la Planificación de la producción de una fábrica de papel
como un problema de programación por metas. Supóngase la existencia de dos
procesos, uno mecánico y otro químico, por los que se puede obtener la pulpa de
celulosa para la producción del papel.
El modelo de programación multiobjetivos es el siguiente:
Objetivos: Max f1(x) = 1000X1 + 3000X2 (Maximizar el margen bruto)
Min f2(x) = X1 + 2X2 (Minimizar la demanda biológica de O2)
Restricciones rígidas iniciales:
1000X1 + 3000X2 <=300000 (Margen Bruto)
X1 + X2 <= 400 (Empleo)
X1 <= 300 (Capacidades de producción)
X2 >= 200
X1, X2 >= 0
Definidas las variables de decisión y los atributos/ objetivos relevantes del
problema que nos ocupa, define las siguientes METAS:

 Para la demanda biológica de oxígeno: un nivel de aspiración de 300

unidades, pues desea que sea lo más pequeña posible.
 Para el margen bruto: alcanzar un valor lo más grande posible, ojalá mayor
de 400000
 Para el empleo: no desea ni quedarse corto ni contratar mano de obra
adicional.
 El jefe no desea superar sus capacidades de producción, lo que implicaría
recurrir a turnos extras.

Así que las restricciones quedarían de esta forma:

 min z= p1d1-+p2d2-p3d3-p4d4-

 X1 + 2X2 + d1 - d1 = 300 (Demanda Biológica de O2)

 1000X1 + 3000X2 + d2 - d2 = 300000 (Margen Bruto)
 X1 + X2 + d3 - d3 = 400 (Empleo)
 X1 + d4 - d4 = 300 (Capacidades de Producción)
 X2 + d5 - d5 = 200

X1, X2 >= 0, d+,d- >=0

INTERPRETACIÓN DE LA SOLUCIÓN:
Las toneladas de celulosa a producir por medios mecánicos son 300.
Dado que d1- y d1+ son ambas cero, la demanda biológica de oxígeno mínima es
de 300 unidades, igual al nivel de aspiración.
La meta 2, asociada con el margen bruto, se queda por debajo del nivel de
aspiración en cuantía de 100.000 u. m., valor que asume la variable de desviación
n2.
La meta del empleo se fija en 100 unidades de mano de obra menos que el nivel
de aspiración que era de 400.
Las metas 4 y 5, asociadas con los niveles máximos de producción por cada
método, se fijan en 0 ton. de capacidad no aprovechada, para la 4, y de 200 para
la 5.

Modelos de metas múltiples.

1.- La Programación por Objetivos

Proporciona una manera racional de intentar alcanzar varios objetivos de manera

simultánea, jerarquizando los mismos o asociándoles una ponderación a cada
uno.

2.- El enfoque básico de la Programación por Objetivos

Es establecer un objetivo numérico específico para cada uno de los objetivos,

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

3.- Tres tipos de Objetivos:

a. una Meta unilateral inferior

establece un límite inferior por abajo del cual no se quiere ir ( pero se aceptan
desvíos a la meta que deberá minimizarse)

b. una Meta unilateral superior

 establece un límite superior que no se quiere exceder (pero se aceptan desvíos a
la meta que deberá minimizarse)

c. una Meta bilateral

establece un blanco específico que no se quiere perder hacia ningún

lado. 4.Una Ecuación Objetivo para cada Meta,

En el modelo de Programación por Objetivos existen dos tipos de restricciones

funcionales: las restricciones ordinarias de Programación Lineal (restricciones
duras o estrictas) y las ecuaciones objetivo (blandas o flexibles). Las restricciones
duras requieren ser cumplidas de manera estricta. Las restricciones blandas
pueden admitir desvíos a la meta establecida, pero estos desvíos estarán
asociados a una penalización que se reflejará en un parámetro en la Función
Objetivo.

a. Valor objetivo de la Meta.

El Valor de la Meta se descompone en dos elementos: (1º) el valor

correspondiente al nivel de la Meta alcanzado efectivamente y (2º) la desvío o
diferencia entre el valor meta y el nivel alcanzado (di)

b. Variables de desvío.

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

5. La Función Objetivo depende del procedimiento

si se consideran los diferentes objetivos de manera simultánea (Objetivos sin

prioridades) o si por el contrario se adopta un procedimiento secuencial (Objetivos
con prioridades).

En el primer caso se tratará de Minimizar una función ponderada de las variables

de desvío. En el segundo caso se identificarán m modelos de PL a ser
optimizados de manera secuencial y de acuerdo a los m niveles de jerarquía
asignados a los objetivos. La secuencia se resuelve por nivel de jerarquía, desde
el nivel de mayor prioridad al de menor.

6. Programación por Objetivos no secuencial.

Cada meta representa una Ecuación Objetivo y en la Función Objetivo se incluirán
las variables de desvío relevantes correspondientes a cada Objetivo. Metas
prioritarias. En este caso los desvíos en la Función Objetivo serán ponderadas por
los coeficientes de penalización. Metas no prioritarias. En este caso todas las

metas tienen una importancia comparable, tienen mismo nivel de prioridad y los
coeficientes de penalización en la Función Objetivo son iguales a 1.

7. Programación por Objetivos secuencial

Existe una jerarquía de niveles de prioridad para las metas, de modo que las
metas de primordial importancia reciben atención con primera prioridad y las de
importancia secundaria reciben atención de segunda prioridad, y así
sucesivamente. Los objetivos de diferente nivel de prioridad no son comparados
de manera simultáneamente.

Modelos de subtemas dentro de una meta.

Modelo Matemático: Se emplea cuando la función objetivo y las restricciones del
modelo se pueden expresar en forma cuantitativa o matemática como funciones
de las variables de decisión.

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

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

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

el mundo real. Algunos modelos en la ciencia de la administración son llamados
modelos determinísticos. Esto significa que todos los datos relevantes (es decir,
los datos que los modelos utilizarán o evaluarán) se dan por conocidos. En los
modelos probabilísticos (o estocásticos), algunos de los datos importantes se
consideran inciertos, aunque debe especificarse la probabilidad de tales datos.

Modelo de Hoja de Cálculo Electrónica: La hoja de cálculo electrónica facilita

hacer y contestar preguntas de “que si” en un problema real. Hasta ese grado la
hoja de cálculo electrónica tiene una representación selectiva del problema y
desde este punto de vista la hoja de cálculo electrónica es un modelo.

Métodos de solución
1. Programación meta ponderada: se basa en el establecimiento de
ponderaciones para las variables de desviación. La programación meta afecta con
coeficientes numéricos las variables de desviación de la función objetivo y
resuelve el problema utilizando el método simplex.

2. Programación meta lexicográfica: se basa en resolver el problema de

programación meta obteniendo inicialmente una solución para las variables metas
más importantes, es decir, aquellas que tienen prioridad 1. Seguidamente se
busca la solución para aquellas variables desviación con prioridad 2 pero
agregando nueva restricción al sistema dadas por el valor que se obtuvo para las
variables de prioridad 1 obtenidas en la solución anterior y así sucesivamente
hasta llegar a la solución de las variables de última prioridad.

3. Método simplex multicriterio: le proporciona valores a las prioridades siempre

que P1 sea mucho mayor que P2 y P2 mucho mayor que P3>>P4>>P5 y busca
como solución óptima aquella que proporcione una mejor utilización de los
recursos.

El método más utilizado es el de la Programación meta ponderada. Pese a lo que

se acaba de comentar, la utilidad de estos enfoques se reduce considerablemente
en problemas decisionales de un tamaño relativamente elevado

se desprende que en problemas complejos que conllevan la formulación de

modelos de cierto tamaño, los enfoques multiobjetivo 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.

Uso de software
Conclusiones
Debemos impulsar esta herramienta dinámica y versátil con mayor empuje, las
limitaciones de la programación lineal son demasiadas en muchos casos para
presentar la problemática real, además tiene muchas ventajas frente a la
programación lineal tradicional, ya que proporciona al tomador de decisiones la
oportunidad de incluir los objetivos o metas de la formulación del problema que no
pueden reducirse a una sola dimensión. Es también más flexible que la PL, debido
a que permite que las metas conflictivas sean especificadas y conduzcan a una
solución óptima en términos de las metas prioritarias de la administración. La
programación lineal bajo estas circunstancias conduciría, en muchos casos, a
soluciones no factibles. Cuando se confronta con la PL en estas situaciones, la PM
no tiene muchas de las limitaciones de la PL, mientras que retiene la característica
de la facilidad de la solución usando el algoritmo simplex. La diferencia principal
entre un modelo de PM y un de PL, está en la inclusión de variables de desviación
y en la minimización de suma de desviaciones relevantes como función objetivo.
Bibliografías
https://addi.ehu.es/bitstream/handle/10810/20672/TFG%20Ane%20Sanchez.pdf;js
essionid=0C846A244BA273851EC1ADFC047B9B1F?sequence=2

Hiller F. Liberman G. (1991), Introducción A La Investigación De Operaciones,

Ediciones Mcgpaw -Hill, México

http://www.revistasbolivianas.org.bo/scielo.php?pid=S9876-
67892011000100007&script=sci_arttext

https://es.slideshare.net/Juanp3000/resumen-programacion-lineal

http://letterpop.com/newsletters/?id=209005-cdf79e&print=1

http://itpn.mx/recursosisc/3semestre/investigaciondeoperaciones/Unidad%20I.pdf

http://investigacion-de-operaciones2.blogspot.com/2012/07/objetivos-
multiples.html

http://dspace.uclv.edu.cu/bitstream/handle/123456789/5484/Yaima%20Montesino
%20Ronquillo.pdf?sequence=1&isAllowed=y

https://jrvargas.files.wordpress.com/2009/01/manual-winqsb.pdf

Roy,B. (1971). Problems and methods with multiple objective functions.

Mathematical Programming, vol. 1,pp. 239-266. ( Fuente en ingles)