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 para 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 unas 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 prohíba 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 Forma de la meta transformada Variable de
desviación no deseada (a minimizar)
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 está 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 varía 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 práctica. 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: ¿qué 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 número 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 producción(unidades) capacidad de 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  P0.0033X32  +N10 
P10 =0
0.0013X11  0.0013X21  0.0013X31  0.0022X13  0.00223X23  0.00223X33 + 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 SOLUCIÓN
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 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 al menos 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.
[Link] 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)+PR6(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 sea 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.