Introduccin a la programacin por metas (Sang M.

Lee)

Historia de la programacin por metas

El origen de la programacin matemtica se remonta en la historia de las matemticas a las

teoras de las ecuaciones lineales y no-lineales, y a las desigualdades. Sin embargo, a
George B. Dantzig se le conoce como el padre de la programacin lineal. El trabajo de
Dantzig se enfoc primeramente en la investigacin de tcnicas para resolver problemas de
logstica para la planeacin militar, cuando era empleado de la Fuerza Area de los Estado
Unidos en Washington D. C., al principio de los 40s. Su investigacin fue apoyada por
otros acadmicos quienes trabajaron sobre el mismo tema general: J. von Newmann, L.
Hurwicz y T. C. Koopmans. El nombres original que se dio a la tcnica fue programacin
de actividades interdependientes en una estructura lineal, y que ms tarde se denomin
programacin lineal.
Durante 1948, varios acadmicos se unieron a Dantzig para refinar la tcnica y explorar las
aplicaciones potenciales de la programacin lineal. Sin embargo, el equipo de A. Charnes y
W. W. Cooper jugaron un papel clave en la introduccin y aplicacin de la tcnica a
problemas industriales. Ellos publicaron artculos excelentes en varios journals, as como
libros de texto de programacin lineal.
En su continua investigacin de la programacin lineal, A. Charnes y W. W. Cooper
desarrollaron el concepto de programacin por metas. Le asignaron este nombre
(programacin por metas) en su conocido libro de programacin lineal publicado en 1961.
El concepto de programacin por metas emergi primeramente como aspecto irresoluble de
problemas de programacin lineal. Charnes y Cooper decan:
Estrechamente relacionado al anlisis de contradicciones en problemas irresolubles es lo
que se llama ajuste a la meta. La administracin algunas veces establece tales metas,
siempre y cuando sean alcanzables dentro de los lmites de los recursos disponibles, por
una variedad de razones. Por ejemplo, las metas se pueden establecer para incentivar o para
evaluar logros, o se pueden usar como una proteccin para asegurar que las consideraciones
a largo plazo no son ignoradas por objetivos de alcance inmediato, etc. Cualquier
restriccin incorporada en la funcin se denominar una meta. Ya sea que las metas sean
alcanzables o no, se establece un objetivo en el cual su optimizacin, dar como resultado
un logro tan cerca como sea posible a las metas indicadas.
Charnes y Cooper dan la siguiente ilustracin para introducir la programacin por metas.

Maximizar Z x1 1 / 2 x 2
Suejto a : 3 x1 2 x 2 12
5 x1 10
x1 x 2 8
(1.1)
x1 x2 4
x1, x 2 0

La figura 1.1 muestra la grfica del conjunto de restricciones de este problema. Las reas
sombreadas indican el conjunto de puntos que cumplen con algunas restricciones. Sin

1
embargo, puesto que las dos reas sombreadas no se interceptan, no existe solucin factible
alguna. As, el problema no se puede resolver por procedimientos usuales de programacin
lineal.

6
5
x 2
4

1 2 3 4 5 6 7 8
x 1

Figura 1.1 Representacin grfica de las restricciones del problema

Supongamos que las dos primeras restricciones en el modelo 1.1 representan recursos
disponibles, por ejemplo, capacidades de mquinas, y que la tercera y la cuarta restriccin
representan metas administrativas. Entonces, la funcin objetivo se puede cambiar de
maximizacin a ajuste a la meta. Como se mencion anteriormente, las metas no siempre se
logran con toda exactitud. El objetivo de la administracin ms bien puede ser una
aproximacin general de acercarse a las metas tanto como sea posible. As la funcin
objetivo se puede cambiar a: Maximizar Z x1 x 2 8 x1 x 2 4 . Esta es la idea
bsica de la programacin por objetivos.
Y. Ijiri estudi detalladamente las tcnicas de programacin por metas en base a los
conceptos desarrollados por Charnes y Cooper. El estudio de Ijiri present la definicin de
factores de prioridad preferencial para tratar metas mltiples de acuerdo a su importancia,
asignando ponderaciones a metas con la misma prioridad y sugiriendo la aproximacin de
la inversa generalizada como algoritmo de solucin. Ijiri reforz y refin el concepto de
programacin por metas y lo desarroll como una tcnica de programacin matemtica
diferente. Los estudios de Ijiri fueron, sin embargo, inicialmente dirigidos al desarrollo de
la tcnica y su posible aplicacin a la contabilidad y al control administrativo.
Las aplicaciones de la programacin por metas fu relativamente prolfica. Las primeras
aplicaciones de la tcnica fueron sugeridas por Charnes y otros para la planeacin de
medios publicitarios. Este estudio present un modelo general de programacin por metas
que puede ser utilizado para cualquier clase de problemas de planeacin de medios
publicitarios, con algunas modificaciones. Charnes y Cooper, en cooperacin con los
miembros del staff de la Office of Civilian Manpower Management, del departamento
naval, tambin presentaron un modelo de programacin por metas para la planeacin de la
mano de obra.

2
Impresionado por el potencial de la programacin pro metas, B. Contini examin el mtodo
bajo condiciones de incertidumbre. Su estudio proporcion la factibilidad matemtica para
la aproximacin de la programacin por metas estocstica, en base a estudios previos sobre
programacin lineal restringida. En 1968, V. Jaaskelainen present un estudio que aplic la
programacin por metas a la planeacin agregada de produccin. Este estudio comprensivo
incluye el tratamiento de metas mltiples para la produccin, fluctuaciones de la demanda,
control de inventarios y subcontratacin, y se bas en programas de computadora
desarrollados pro Jaaskelainen.
Sang M. Lee a explorado aplicaciones de la programacin por metas a varias reas
funcionales, tales como la planeacin acadmica, planeacin financiera, planeacin
econmica y administracin de hospitales. Algunos de sus estudios se presentan en esta
libro. La aplicacin de la programacin por metas ha sido grandemente mejorada
recientemente por Sang M. Lee y por V. Jaaskelainen.
Dado que la programacin por metas es una tcnica relativamente nueva, su potencial
todava no se ha determinado. Sin embargo, parece ser que su aplicabilidad puede ser tan
amplia como la de la programacin lineal. La programacin por metas tiene una gran
flexibilidad, aspecto que es una de las desventajas de la programacin lineal. Adems, la
aproximacin de ajustarse a metas mltiples de acuerdo a sus prioridades, es realmente una
gran ventaja para muchos problemas de decisiones administrativas. Ms adelante se
discutirn algunos anlisis de los conceptos de la programacin por metas.

Conceptos de la programacin por metas

Los objetivos organizacionales varan de acuerdo a las caractersticas, tipos, filosofas

administrativas y condiciones ambientales particulares de las organizaciones. No existe una
meta universal para toda la organizacin. Una de las metas administrativas ms
ampliamente aceptadas, es la maximizacin de las utilidades. En la dinmica del ambiente
econmico, hoy en da, la maximizacin de las utilidades no es siempre el nico objetivo de
la administracin. De hecho, las firmas frecuentemente dan mayor prioridad a metas no
econmicas ms bien que a la maximizacin de las utilidades. O, frecuentemente desean
maximizar las utilidades sin descuidar otras metas no econmicas. As vemos, por ejemplo,
empresas que ponen mayor nfasis en sus responsabilidades sociales, contribuciones
sociales, relacione pblicas, relacione industriales y de mano de obra, etc. Ya sea que tales
metas sean buscadas debido a presiones externas o a decisiones administrativas voluntarias,
las metas no econmicas existen y cada vez est ganando ms relevancia. La reciente
conciencia pblica de la necesidad de administrar y controlar el medio ambiente, ha forzado
indudablemente a muchas empresas a reevaluar sus objetivos organizacionales.
Si se garantiza que la administracin tiene mltiples objetivos conflictivos que lograr, los
criterios de decisin deberan de ser multidimensionales. Esto implica que cuando una
decisin involucra metas mltiples, la tcnica usada debera ser capaz de manejar criterios
de decisin mltiple. Las tcnicas de programacin lineal, que han sido aplicadas
extensamente a varios problemas de decisin, tienen un valor limitado para problemas que
incluyen metas mltiples.
La dificultad primario de la programacin lineal, no se encuentra en su habilidad para
reflejar una realidad compleja. Ms bien, su dificultad se encuentra en la
unidimensionalidad de la funcin objetivo, la cual requiere de informacin de costos o
utilidades que a menudo es casi imposible de obtener. Por ejemplo, en un problema de

3
programacin de la produccin, no es fcil determinar los costos asociados con las
fluctuaciones con el nivel de empleo, contratacin, capacitacin y despido de empleados,
cambios en la moral de los empleados e imagen pblica de la empresa, etc. Este problema
es ms aparente en el sector pblico. Supongamos que el gobierno est estudiando la
factibilidad de construir un nuevo aeropuerto en Washington, D. C. Aqu existen muchos
objetivos conflictivos de inters. El estudio debe considerar la capacidad del aeropuerto,
accesibilidad, planeacin del flujo de trfico, estilo arquitectnico para el prestigio
nacional, niveles de ruido de los residentes aledaos, conservacin de la vida natural en el
rea, y as sucesivamente. Obviamente, la programacin lineal no es conveniente para tal
anlisis de decisiones.
Para aliviar la unidemsionalidad de la funcin objetivo requerida en la programacin lineal,
se han hecho esfuerzos para convertir varias metas, costos o medidas de valor en un solo
criterio, tal como la utilidad. Si este proceso se pudiera aplicar efectivamente,
indudablemente que la limitacin de la programacin lineal se reducira. Sin embargo, la
medicin de la utilidad no es un tema simple, y no existe una metodologa efectiva para
desarrollar un funcin de utilidad de ya sea un individuo o un grupo de gente. Por lo tanto,
la decisin tomada con programacin lineal va funcin de utilidad, es solamente factible en
un sentido terico.
Para analizar el concepto de programacin por metas, primero debemos familiarizarnos con
el concepto de programacin lineal. Primero, revisemos los requerimientos de la
programacin lineal. El primer requerimiento bsico de la programacin lineal es que las
variables constituyan un sistema de decisin homogneo y lineal. En otras palabras, las
variables ( x1 , x 2 , ) pueden se solamente de primer orden y sus propiedades relativas no
debe de cambiar si se multiplican por la misma constante, es decir, f ( x) f (cx) cf ( x ) .
El segundo requerimiento es un conjunto de restricciones o recursos limitados. Para dar a
esta tcnica la flexibilidad requerida, es deseable expresar las restricciones ya sea en la
forma menor o igual que o mayor o igual que. As un conjunto de desigualdades
lineales, normalmente limitan el rea de solucione factibles dentro del cual cualquier punto
puede ser una solucin, y fuera del rea no existen soluciones reales. Un tercer
requerimiento es que podra haber un objetivo que lograr. Este objetivo se podra expresar
como una funcin lineal de las variables. La funcin objetivo debe de ser homognea en el
sentido de que los tipos de unidades de medicin, representados por las variables (por
ejemplo horas, nmero de trabajadores, libras, etc.) se deben combinar para proporcionar
una unidad consistente de medida para la funcin objetivo.
En el modelo usual de programacin lineal, el objetivo es maximizar o minimizar el criterio
objetivo cumpliendo alguna restriccin o meta. La restriccin se expresa por medio de una
combinacin lineal de las variables que corresponden a entradas y/o salidas del sistema
bajo consideracin. Adems, las variables individuales son tambin restringidas en alguna
forma. Por ejemplo, en todos los problemas de programacin lineal, todas las variables
consideradas deben de ser positivas o cero. Restricciones adicionales pueden especificar
lmites mximos o mnimos sobres los valores de las variables.
La forma general del modelo de programacin lineal se puede expresar como:

4
 n
Max Z f ( x) c j 1
j xj

n
(1.2)
Sujeto a : a
j 1
ij x j bi (i 1,2, , m)

x j 0 ( j 1,2, , n)

n
Min Z f ( x) c
j 1
j xj

n
(1.3)
Sujeto a : aj 1
ij x j bi (i 1,2, , m)

x j 0 ( j 1,2, , n)

La programacin por metas es una modificacin y una extensin de la programacin lineal.

La aproximacin de la programacin por metas permite una solucin simultnea de un
sistema de objetivos complejos ms bien que un objetivo simple. En otras palabras, la
programacin por metas es una tcnica que es capaz de manejar problemas de decisin que
tratan con una meta simple con mltiples submetas, as como problemas mltiples metas
con mltiples submetas. Adems, la funcin objetivo de un modelo de programacin por
metas se puede componer de unidades de medida no homogneas, tales como libras y
dlares.
Frecuentemente, las mltiples metas de la administracin estn en conflicto, o se logran a
expensas de otras metas. Adems, estas metas son inconmensurables. As, la solucin del
problema requiere del establecimiento de una jerarqua de importancia entre estas metas
incompatibles, de tal manera que las metas de menor nivel se consideren solamente despus
de que las metas de mayor nivel son satisfechas, o que lleguen a un punto tal que no se
desee un mejoramiento adicional. Si la administracin puede ordenar sus metas en
trminos de sus contribuciones o grado de importancia y todas las restricciones meta se
encuentran en forma lineal, entonces el problema se puede resolver por programacin por
metas.
Cmo una funcin objetivo se expresa en forma algebraica cuando existen metas
mltiples, inconmensurables y conflictivas? Una respuesta simple podra ser sugerir una
funcin objetivo integrada de metas mltiples. Esto es lo que precisamente hace la
programacin por metas. En ella, en lugar de tratar de maximizar o minimizar una funcin
objetivo directamente como en programacin lineal, se minimizan las desviaciones entre
las metas.

Anlisis matemtico de la programacin por metas

La programacin por metas es un modelo matemtico lineal en el cual se logra el ajuste

ptimo de las metas dentro de un ambiente de decisin dado. El ambiente de decisin
determina los componentes bsicos del modelo, es decir, las variables, restricciones y
funcin objetivo.

5
A. Meta simple con mltiples submetas

Considrese un caso donde una meta se puede lograr por medio del logro colectivo de un
conjunto de submetas, x1 , x 2 , , x n .

f ( x1 , x 2 , , x n ) a1 x1 a 2 x 2 a n x n b (1.4)

donde a1 , a 2 , , a n son nmero reales. Si x representa a un vector columna con

componentes x1 , x 2 , x n y a un vector fila integrado por a1 , a 2 , , a n , entonces la
ecuacin 1.4 se puede expresar como

ax b (1.5)

Si usamos la programacin por metas, la ecuacin 1.5 se puede arreglar como:

Min Z d d
Sujeto a : ax d d b (1.6)
x, d , d 0

donde d y d representan variables desviacionales de la meta. En 1.6 se supone que la

variable x est restringida a ser no negativa. Si existe una solucin, la funcin objetivo
siempre forzar a que los valores de d y d sean iguales a cero. Cuando se minimizan
d y d a un nivel cero, se lograr la meta b a cierto valor de x . Debe notarse que
d y d son complementarias una a otra. Si d es distinta de cero, entonces d ser
cero, y viceversa. Dado que al menos una de las variables ser cero, siempre se cumplir
que d d 0 .

Ejemplo1

Un manufacturero de muebles produce dos clases de productos, escritorios y mesas. El

ingreso marginal de un escritorio es de $80, y el de una mesa es de $40. La meta del
administrador es tener un ingreso marginal de $640 la prxima semana.
Se puede interpretar la ganancia total en funcin de submetas, las cuales son el volumen de
ventas de escritorios y mesas. Entonces, el modelo de programacin por metas se puede
formular como sigue:

Min Z d d
Sujeto a : 80 x1 40 x 2 d d 640 (1.7)

x1 , x 2 , d , d 0

donde x1 es el nmero de escritorios vendidos y x 2 es el nmero de mesas vendidas. Si la

meta de 640 no se puede lograr, entonces la holgura en la ganancia se expresar por d la
cual es la desviacin negativa de la meta. Por otro lado, si la solucin da una ganancia

6
mayor a 640, entonces d ser distinta de cero. Si se logra exactamente la meta de 640,
entonces ambas desviaciones sern igual a cero.
En el ejemplo anterior, existen un nmero infinito de combinaciones de las variables que
logran la meta. La solucin ser cualquier combinacin lineal de x1 y x 2 entre dos puntos
( x1 8, x 2 0 ) y ( x1 0, x 2 16 ).

B. Restricciones submetas

A menudo el ambiente actual de la organizacin impone restricciones sobres las submetas

tales como:

Bx h (1.8)

donde B es una matriz m n y h es un vector columna de m componentes. Entonces el

modelo 1.6 se puede ahora expresar como sigue:

Min Z d d
Sujeto a : ax d d b
Bx h
(1.9)
x, d , d 0

Ejemplo 2

Para el problema anterior considrese que el departamento de mercadotecnia reporte que se

pueden vender un mximo de seis escritorios y ocho mesas por semana.
Ahora el nuevo modelo de programacin por metas es:

Min Z d d
Sujeto a : 80 x1 40 x 2 d d 640
x1 6
x2 8

x1 , x 2 , d , d 0

La solucin es x1 6 y x 2 4 . Con esta solucin las variables desviacionales d y d

son ambas cero.

C. Anlisis de metas mltiples

El modelo ilustrado anteriormente se puede extender para manejar metas mltiples. Se

supone que estas metas mltiples son incompatibles e inconmensurables. Supongamos que
existen m metas cuyos niveles son expresados por un vector columna de m componentes b
, y que esta mltiples metas se pueden lograr por combinaciones lineales de n variables
representadas por un vector columna de n componentes x . Si la relacin entre metas y
submetas se expresa por A , la cual es una matriz de orden m n , entonces el modelo se
puede escribir como:

7
 Ax b
x0
(1.11)

Suponiendo que existe una solucin para 1.11, el modelo se puede transformar a:
m
Min Z (d
i 1
i

d i )

Sujeto a Ax Id Id b
x, d , d 0

donde d y d son vectores columna de m componentes que representan las desviaciones

de las metas, y I es la matriz identidad m-dimensional.

Ejemplo 3

Consideremos el problema del fabricante de muebles. Ahora el administrador desea lograr

una ganancia semanal tan cerca como sea posible a $640. Tambin desea lograr un volumen
de ventas lo ms cercano posible a seis escritorios y cuatro mesas. El problema se formula
como:

Min Z d 1 d 2 d 3 d 1
Sujeto a : 80 x1 40 x 2 d 1 d 1 640
x1 d 2 6
x2 d 3 4
x1 , x 2 , d 1 , d 2 , d 3 , d 1 0

La solucin a este problema es: x1 6, x 2 4 , y las metas se cumplen completamente; esto

es d1 d 2 d 3 d1 0 .

D. Jerarquizacin y ponderacin de metas mltiples

En el ejemplo 3 se tiene un caso en el cual todas las metas se lograron simultneamente

dentro de las restricciones dadas. Sin embargo, este es un caso raro en un ambiente de
decisin real. Frecuentemente, muchas metas tienen que competir por los recursos
disponibles. En presencia de metas mltiples incompatibles, los administradores necesitan
aplicar su juicio en relacin a la importancia de las metas individuales. De una manera ms
simple, se deben lograr las metas ms importantes antes de que se considere la siguiente
meta.
Las metas para el que toma las decisiones, pueden ser simplemente satisfacer cierto
conjunto de restricciones. Por ejemplo, el administrador puede establecer una meta en
relacin a un nivel estable de mano de obra en la planta, la cual es simplemente una parte
de las restricciones de produccin. O, la meta puede ser una funcin completamente
separada de las restricciones del sistema. Si este fuera el caso, la meta de restriccin se

8
puede plantear en el modelo. El decisor debe analizar el sistema e investigar si todas sus
metas estn expresadas en el modelo de programacin por metas. Cuando todas las
restricciones y metas estn completamente identificadas en el modelo, se debe analizar cada
meta en trminos de si un sobre o un sublogro de la meta es satisfactorio o no. En base a
este anlisis se pueden asignar las variables d o d a las restricciones y/o metas
regulares. Si es aceptable exceder la meta, entonces se puede eliminar la desviacin
positiva de la funcin objetivo. Por otro lado, si es satisfactorio no rebasar la meta, entonces
se podra eliminar la desviacin negativa en la funcin objetivo. Si se desea lograr la meta
exactamente, entonces ambas desviaciones deben aparecer en la funcin objetivo.
Para lograr una solucin ordenada, esto es, para lograr las metas de acuerdo a su grado de
importancia, las metas deben de ser ordenadas de acuerdo a factores prioritarios. De este
modo, las metas de menor nivel se considerarn solamente despus de que las metas de
mayor nivel se hayan logrado. Si se tienen k grados de importancia o prioridades, entonces
se asignan a las variables de desviacin positiva o negativa factores de prioridad
P j ( j 1,2, , k ) . Estos factores cumplen con la relacin P j P j 1 .
Un paso adicional en la formulacin del modelo es la ponderacin de las variables de
desviacin a un mismo nivel de prioridad. Por ejemplo, si la meta de ventas incluye dos
productos diferentes, habr dos variables de desviacin con el mismo factor de prioridad.
El criterio que se usa para asignar ponderaciones a este tipo de variables se basa en los
costos de oportunidad. El coeficiente siempre ser positivo y simplemente representa la
cantidad relativa de desviacin insatisfactoria de la meta. Por tal motivo, las variables de
desviacin que tengan el mismo nivel de prioridad, debern ser conmensurables, aunque las
desviaciones que operan sobre los diferentes niveles de metas no necesiten serlo.
La funcin objetivo de un problema de programacin por metas consiste de variables de
desviacin con factores de prioridad P j y para ponderar los niveles de la misma
prioridad. Sea c un vector fila de 2m componentes cuyos elementos son los productos de
P j y tales que:

c ( 1 P j1 , 2 P j 2 , , 2 m P j 2 m ) (1.14)

donde P ji (i 1,2, ,2m; j 1,2, , k ) son factores de prioridad y i (i 1,2, ,2m)

son nmeros reales. Sea d un vector columna de 2m componentes cuyos elementos son
d s y d s, tal que:

d (d 1 , d 2 , , d m , d1 , d 2 , , d m ) (1.15)

Entonces, el problema de programacin por metas se puede formular como:

Min cd
Sujeto a : Ax Rd b (1.16)
x, d 0

donde A y R son matrices de orden m n y m 2m respectivamente.

9
Ejemplo 4
Considere el siguiente caso modificado de la ilustracin dada en los ejemplos previos. Cada
escritorio y cada mesa requieren de una hora de la capacidad de produccin de la planta. La
planta tiene una capacidad de produccin de 10 horas a la semana. Debido a la capacidad
limitada de ventas, se pueden vender un mximo de seis escritorios y ocho mesas por
semana. El margen de contribucin de un escritorio es de $80 y el de una mesa de $40.
El administrador de la planta tiene el siguiente conjunto de metas en orden de importancia.
1. Primero, evitar cualquier sub-utilizacin de la capacidad de produccin
2. Segundo, vender tantos escritorios y mesas como sea posible. Puesto que el margen
de contribucin de los escritorios es el doble del margen de contribucin de las
mesas, es dos veces ms deseable lograr la meta de ventas de los escritorios que la
meta de ventas de las mesas.
3. Tercero, minimizar el tiempo extra de operacin de la planta tanto como sea posible.

La capacidad se puede expresar como:

x1 x 2 d 1 d 1 10 (1.17)

donde x1 es la cantidad de escritorios producidos, x 2 la cantidad de mesas producidas,

d 1 representa al tiempo extra y d 1 es el tiempo ocioso de produccin.
Asimismo, la restriccin de capacidad de ventas se puede escribir como:
x1 d 2 6
(1.18)
x 2 d 3 8

donde d 2 representa a la cantidad por la que no se logr la meta de ventas de los

escritorios, y d 3 a la cantidad por la que no se logr la meta de ventas de mesas. Cabe
notar que d 2 y d 3 no aparecen en las ecuaciones, debido a que las metas de ventas estn
dadas como volmenes mximos posibles de ventas.
Adems de las variables y restricciones anteriores, se definen los siguientes factores de
prioridad:

P1 : La mayor prioridad asignada por la administracin a la sub-utilizacin de la capacidad

de produccin ( d 1 ).
P2 : El segundo factor de prioridad asignado a la sub-utilizacin de la capacidad de ventas
( d 2 y d 3 ). Sin embargo, d 2 es dos veces ms importante que d 3 , debido a que el
margen de contribucin de los escritorios es el doble del margen de contribucin de las
mesas.
P3 : El factor de menor prioridad se asign al tiempo extra de produccin ( d 1 ).
El modelo es:

10
 Min Z P1 d 1 2 P2 d 2 P2 d 3 P3 d 1
Sujeto a : x1 x 2 d 1 d 1 10
x1 d 2 6 (1.19)
x2 d 3 8
x1 , x 2 , d 1 , d 2 , d 3 , d 1 0

Variaciones de la funcin objetivo

1. Minimizacin de ( d d ). Dado que la restriccin se expresa como

Ax d d b , la minimizacin de d d minimizar el valor absoluto de
Ax b . En otras palabras, la minimizacin de ambas desviaciones tender a
investigar por aquellos valores de x los cuales logren la meta Ax b exactamente.
Por ejemplo, si Ax b , entonces d 0 y d Ax b , mientras que si Ax b ,
entonces d 0 y d b - Ax . Si Ax b , naturalmente que d - d 0 .
2. Minimizacin de d . Si la funcin objetivo se forma para minimizar la desviacin
negativa d de la meta, la solucin consistir de todas las xs tales que Ax b si
todas la solucione son permisible en el modelo. Si no es posible llevar d al nivel
cero, entonces la solucin consistir del conjunto de las xs tales que minimicen a (
b Ax ) tanto como sea posible.
3. Minimizacin de d . Si la funcin objetivo consiste en minimizar la desviacin
positiva de la meta, la solucin identificar a todas las xs que satisfagan Ax b ,
suponiendo que todas las soluciones son posibles. Si el modelo no puede llevar d
a cero, entonces el conjunto de soluciones consistir de todos los conjuntos de xs
que minimicen a ( Ax b ) tanto como sea posible.
4. Minimizacin de ( d d ). La minimizacin de d d tiene el mismo efecto
que maximizar Ax . Si hacemos d d d , entonces el modelo se puede escribir
como Min d , sujeto a Ax d b; x, d 0 . Puesto que d b Ax , se puede
transformar la funcin objetivo a minimizar ( b Ax ). Debido a que b es una
constante, la funcin es equivalente a maximizar Ax . En la prctica, sin embargo,
la maximizacin de Ax se puede lograr tambin minimizando d y asignando un
valor muy grande a b.
5. Minimizacin de ( d d ). La minimizacin de d d es equivalente a
minimizar Ax . El razonamiento es semejante al dado en el punto 4.b

Ejemplo 5 Una planta de una firma electrnica fabrica dos tipos de televisores: de 21
y de14. De acuerdo a la experiencia pasada, la produccin de un televisor de 14
requiere en promedio de una hora en la planta; asimismo la produccin de un televisor
de 21 requiere tambin de una hora en la planta. La planta tiene una capacidad normal
de produccin de 40 horas a la semana. El departamento de mercado reporta que,
debido a las oportunidades limitadas de venta, el nmero mximo de televisores de 21
y de 14 que se pueden vender por semana, es de 24 y 30 respectivamente. La utilidad
por cada televisor de 21 es de $800, mientras que la utilidad de cada televisor de 14
es de $400.
El presidente de la compaa tiene el siguiente conjunto de metas.

11
 1. Evitar cualquier sub-utilizacin de la capacidad normal de produccin (sin
despedir trabajadores).
2. Vender tantos televisores como ser posible. Puesto que la utilidad de un televisor
de 21 es el doble del de un televisor de 14, ser dos veces ms deseable lograr
las ventas del televisor de 21, que las del televisor de 14.
3. Minimizar el tiempo extra de produccin de la planta tanto como sea posible.

Ejemplo 6 Una agencia de gobierno produce dos tipos de bienes: bienes de consumo y
bienes de inversin. Los recursos utilizados para su produccin son materiales y mano de
obra. Los materiales se utilizan para producir tanto bienes de consumo, como bienes de
inversin. Por otro lado la mano de obra se utiliza solo para la produccin de bienes de
inversin.

El proceso de produccin se ilustra en la siguiente figura.

Material x1 bienes de consumo

80 unidades 50 unidades

x2

Mano de obra x3 Bienes de inversin

60 unidades 90 unidades

Una unidad de material produce una unidad de salida, ya sea bien de consumo o bien de
inversin. Dos unidades de mano de obra producen una unidad de bien de inversin.
Adems, el costo de cada unidad de material y de mano de obra es de $1.00.

Se desea determinar la cantidad de recursos necesaria para alcanzar las siguientes metas:

1. Producir la menos 50 unidades de bienes de consumo.

2. Producir exactamente 90 unidades de bienes de inversin.
3. Fomentar la economa local utilizando al menos 80 unidades de material y 60
unidades de mano de obra.
4. Limitar el gasto total a $120.00.
5. Minimizar los requerimientos de entrada tanto como sea posible.

Solucin:

Sea

x1 = Cantidad de material utilizado en la produccin de bienes de consumo.

x2 = Cantidad de material utilizado en la produccin de bienes de inversin.
x3 = Cantidad de mano de obra utilizada en la produccin de bienes de inversin.

12
Ejemplo 7 La American Computer Hadware, Inc. Produce tres tipos de computadoras:
Epic, Galaxie y Utopia. La produccin se lleva a cabo en una lnea de ensamble moderna
pero compleja. La produccin de una Epic requiere de 5 horas en la lnea de ensamble, la
de una Galaxia de 8 horas y la de una Utopia requiere de 12 horas. La lnea de ensamble
opera normalmente 170 horas por mes. Los departamentos de mercado y de contabilidad
han estimado que las utilidades para cada tipo de computadora es de $100,000, $144,000 y
$252,000 para la Epic, Galaxia y Utopia respectivamente. Adems el departamento de
mercado reporta que la demanda de mercado es tal, que la compaa espera vender todas las
computadoras que produzca.

Las metas son:

1. Evitar la subutilizacin de la capacidad en trminos de horas de operacin de la

lnea de ensamble.
2. Satisfacer la demanda del distrito noroeste de cinco computadoras Epic, cinco
Galaxia y ocho Utopia (asignar ponderaciones de acuerdo a la proporcin de las
utilidades de los tres tipos de computadoras).
3. Limitar el tiempo extra de operacin de la lnea de ensamble a 20 horas.
4. Satisfacer la cuota de ventas para cada tipo de computadoras: 10 Epic, 12 Galaxie y
10 Utopia (asignar ponderaciones de acuerdo a la proporcin de las utilidades de los
tres tipos de computadoras).
5. Minimizar el tiempo extra total de la lnea de ensamble.

Solucin

Ejemplo 8 Una compaa se especializa en la venta de trigo. Las ventas de trigo se

encuentran restringidas por la capacidad de almacenamiento de la compaa. La capacidad
normal de almacenamiento es de 3,000 toneladas (se permiten 2000 toneladas extra para el
caso de emergencias). Los costos y los precios para los siguientes 4 meses son:

Mes 1 2 3 4
Costo $4 $4 $4 $7
Precio $6 $7 $5 $6

La cantidad a comprar se basa totalmente en la recuperacin de dinero generada por las

ventas. Se supone tambin que las ventas ocurren a principio de cada mes, seguidas por las
compras. Al inicio del primer mes existen 2,000 toneladas de trigo en el almacn.

Las metas son:

1. En el primer mes solo se usar la capacidad normal del almacn.

2. A la compaa se gustara tener al menos $20,000 al principio del cuarto mes para
efectuar las compras.
3. Reservar al menos $2,000 para propsitos de emergencia en cada mes.
4. Maximizar la utilidad total durante el periodo de 4 meses.

13
Solucin

Variables:

x i = Toneladas de trigo a comprar en el mes i; i = 1, 2, 3

y i = Toneladas de trigo a vender en el mes i; i = 1, 2, 3, 4

MTODO SIMPLEX PARA PROGRAMACIN POR METAS

Min D P1 d1 P2 d11 5P3 d 2 3P3 d 3 P4 d1

S . a : x1 x 2 d1 d1 80

x1 d 2 70
x2 d 3 45

d d d
1 11 11 10

x1 , x 2 , d , d , d , d , d , d
1 2 3 11 1 11 0

0 0 P1 0 0 0 0 0
Base D x1 x2 d 1 d 2 d 3 1
d11 d 1
d11
D 1 1 1 0 0 0 0 -1 0
P1 d 1 0 1 1 1 0 0 0 -1 0
0 d 2 0 1 0 0 1 0 0 0 0
0 d 3 0 0 1 0 0 1 0 0 0
0 1
d11 0 0 0 0 0 0 1 1 -1

0 0 0 0 0 0 0 P2
Base D x1 x2 d 1 d 2 d 3 1
d11 d 1
d11
D 1 0 0 0 0 0 0 0 -1
0 d 1 0 1 1 1 0 0 0 -1 0
0 d 2 0 1 0 0 1 0 0 0 0
0 d 3 0 0 1 0 0 1 0 0 0
0 1
d11 0 0 0 0 0 0 1 1 -1

14
 0 0 0 5P3 3P3 0 0 0

Base D x1 x2 d 1 d 2 d 3
1
d11 d 1
d11
D 1 5 3 0 0 0 0 0 0
0 d 1 0 1 1 1 0 0 0 -1 0
5P3 d 2 0 1 0 0 1 0 0 0 0
3P3 d 3 0 0 1 0 0 1 0 0 0
0 1
d11 0 0 0 0 0 0 1 1 -1

0 0 0 0 0 0 P4 0
Base D x1 x2 d 1 d 2 d
3
1
d11 d 1
d11
D 1 0 0 0 0 0 0 -1 0
0 d 1 0 1 1 1 0 0 0 -1 0
0 d 2 0 1 0 0 1 0 0 0 0
0 d 3 0 0 1 0 0 1 0 0 0
0 1
d11 0 0 0 0 0 0 1 1 -1

15