Bayesiana

UNIVERSIDAD AUTONOMA DE NUEVO LEON
FACULTAD DE INGENIERIA MECANICA Y ELECTRICA
DIVISION DE ESTUDIOS SUPERIORES
MAESTRIA EN CIENCIAS DE LA ADMINISTRACION
"UN MODELO DE PROGRAMACION POR METAS PARA

DISTRIBUCION DE RECURSOS ACADEMICOS"
T E S I S
QUE PARA OBTENER EL GRADO DE
PRESENTA:
ING. EVELIO P. GONZALEZ FLORES
Ife-J U J K ".i l tem . =

MONTERREY, N.L.
OCTUBRE DE 1982
m m m
UNIVERSIDAD AUTONOMA DE NUEVO LEON

FACULTAD DE INGENIERIA MECANICA Y ELECTRICA
DIVISION DE ESTUDIOS SUPERIORES
"UN MODELO DE PROGRAMACION POR METAS PARA

DISTRIBUCION DE RECURSOS ACADEMICOS"
T E S I S
QUE PARA OBTENER EL GRADO DE
PRESENTA:
ING. EVELIO P. GONZALEZ FLORES
MONTERREY, N.L
OCTUBRE DE 1982
I N D I C E
Introduccin
PAG.
CAPITULO I.- Introduccin a Programacin por Metas - _ Antecedentes de Programacin por Metas
- -
Fundamentos de Programacin por Metas - - -
Anlisis Matemtico de Programacin por MeLimitaciones de Programacin por Metas- - -
18
Areas de Aplicacin de Programacin por - Metas
20
CAPITULO II.- Formulacin del Modelo de Programacin por

Metas y Solucin por el Mtodo Grfico
Variaciones de la-Funcin Objetivo
- -
22
22
Ejemplos de formulacin del Modelo y S o l u

cin por el mtodo grfico - - -
24
Ejemplo # 1
24
Ejemplo & 2
39
Pasos a seguir para la formulacin del Mode_

lo de Programacin por Metas
47
CAPITULO III.- El Mtodo Simplex de Programacin por Metas
49
Ejemplo # 1
49
Pasos del ftodo Simplex de Programacin
por Metas
60
Ejemplo # 2
63
Ejemplo // 3
68
Algunas complicaciones y su Resolucin- - -
74
CAPITULO IV.- Un Modelo de Programacin por Metas para Distribucin de Recursos Acadmicos - -
79
Introduccin
79
El Modelo General
79
Un Ejemplo Numrico
87
Conclusin
Bibliografa
_ _ _ _ _ _ _ _ _ _
94
INTRODUCCION
El propsito de sta tesis es el de demostrar la aplicacin potencial de programacin por metas a problemas de decisin complejos en la administracin de instituciones de educacin superior (universidades).
Programacin por metas aparece como una tcnica apropiada, til y f i e

xible de anlisis de decisin para problemas de decisin con mltiplesobjetivos en conflicto.
Diferente de otros anlisis numricos tradicio
nales, programacin por metas admite una solucin ordinal a sistemas de

objetivos mltiples complejos
Se trato la tcnica desde sus antecedentes, fundamentos, anlisis matemtico, formulacin del modelo, soluciones por el mtodo grfico y porel mtodo simplex y una aplicacin a distribucin de recursos acadmi
eos.
El modelo presentado es una simple ilustracin en el cual, cada _
restriccin requiere sin duda un anlisis.profundo que bien podra ser_

un tema de investigacin en si misma.
Mas aun, las interacciones depar
tamentales, condiciones de frontera, preferencias propias de los admi

nistradores y la estructura de decisin burocrtica son areas importantes que requieren que se continen investigando.
Se espera que este es
tudio proporcione una gua para desarrollar modelos mas completos, mscercanos a la realidad que qui2s encerrarn a una universidad entera o a un sistema universitario.
CAPITULO I
INTRODUCCION A PROGRAMACION POR METAS
ANTECEDENTES DE PROGRAMACION POR METAS
Los orgenes de las tcnicas de programacin matemtica se remontan enla historia de las matemticas a las teoras de ecuaciones y de si gualda
des lineales y no lineales.
Sin embargo George B. Dantzig es reconoci-
do como el padre de la Programacin Lineal.
Dantzig trabaj prime rameo,
te en la busqueda de tcnicas para resolver problemas logsticos de pa

neacin militar, cuando el fu empleado por la Fuerza Area de Los Esta
dos Unidos en Washington, D.C., all por 1940.
Su investigacin fue fo_
mentada por otros estudiosos -que trabajaron en el mismo tema: J. Von

Newman, L. Hurwicz y T.C. Roopmans.
El nombre original dado a la tecni
ca fue "Programacin de Actividades interdependientes en tma estructura

lineal", y que despues fue acortado a "Programacin lineal".
De 1948 en delante, muchos estudiosos continuaron tratando de refinar la tcnica de Dantzig y explorando la aplicacin potencial de programacin lineal.
Sin embargo el equipo de C. C h a m e s y W. W. Cooper, tiene
adjudicado el haber introducido y aplicado la tcnica a problemas indus

triales.
Ellos tienen publicados excelentes artculos as como libros-
de texto sobre programacin lineal. En su continua investigacin sobreprogramacin lineal, A. C h a m e s y W.W. Cooper desarrollaron el concepto
de "PROGRAMACION POR METAS".
El concepto de programacin por metas sur
gi primero como un resultado de problemas de programacin lineal sin -
solucin.
Chantes y Cooper explican:
Bastante relacionado con el anlisis de contradicciones en problemas

sin solucin est el resultado que llamaremos "Alcanzar una (teta".
La-
Gerencia algunas veces pone tales metas, aun cuando ellas sean inalcanzables dentro de los lmites de recursos disponibles, por una variedadde razones.
Por ejemplo, tales metas pueden ser establecidas para pro-
porcionar incentivos o para juzgar mritos o ellas pueden ser usadas co

mo una defensa para asegurar que consideraciones a largo plazo no seanborradas o destruidas por objetivos alcanzables de inmediato s etc.
- -
Cualquier restriccin incorporada en la funcin ser llamada una "meta".

Ya sea que las metas sean alcanzables o no, se debe establecer en objetivo en el cual la optimizaciSn da resultados, los cuales vienen a ser"lo ms aproximado" a lo que indican las metas.
Proporcionaremos el siguiente ejemplo para iniciarnos en Programacin por Metas.

Maximizar
Z = $ IX^" + $
STT.
3X X
2X2
<
5Xi
1)
<
Xl
Xi"
X2
12
10
>
8
>
4
x2
>
Xi
La figura 1.1 representa el problema de decisin indicando restricciones

en la grfica.
Las dos reas sombreadas indican regiones de traslape -
que pueden ser consideradas como areas de solucion factible en el sent

do de que ellas satisfacen algunos subconjuntos de restricciones.
Sin-
embargo como las dos areas sombreadas no se intersectan, no existe area

de solucion factible.
Entonces este problema no puede ser resuelto por
el procedimiento usual de programacin lineal.
Fig. 1.1
Suponiendo que las dos primeras restricciones en (1.1) representan
re
cursos disponibles por ejemplo, capacidades de mquina, y las restric

ciones tercera y cuarta representan metas de la gerencia.
Entonces, la
funcin objetivo puede ser cambiada de maximizacion de utilidades a obtencin de metas.

canzan.
Como se estableci antes, las metas no siempre se al
"El objetivo de la gerencia puede ser una aproximacin general
de alcanzar las metas tanto como sea posible".

jetivo puede ser cambiada a:
Entonces la funcin ob-
Min.
Z = /Xi + X 2 - 8/+/-X1 + X 2 - 4/.
Esta es la idea bsica de Programacin por Metas.
Y. Ijiri estudio las tcnicas detalladas de programacin por metas basa

das en los conceptos generales desarrollados por C h a m e s y Cooper.
El-
estudio de Ijiri presenta la definicin de "Factores de prioridad prefe

renciales" para tratar metas mltiples de acuerdo con su importancia yasignando pesos a las metas de acuerdo con su nivel de prioridad.
FUNDAMENTOS DE PROGRAMACION POR METAS
Programacin por metas es una modificacin y extensin de programacinlineal.
La aproximacin de programacin por metas admite una solucin-
simultnea de un sistema de objetivos complejos en lugar de un objetivo

simple.
En otras palabras 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 con metas mltiples con mltiples submetas.
Adems, la funcin objetivo del modelo de programa
cin por metas puede estar compuesto de unidades no homogneas de medida, tales como libras y dlares, en lugarde un solo tipo de unidad.
A menudo las metas mltiples de la gerencia estn
en conflicto o son -
realizadas solamente con el sacrificio de otras metas.

tas no se pueden medir.
Adems esas me-
Entonces la solucin del problema requiere de-
establecer una jerarquizacin de importancia entre esas metas incompati
bles, asi que las metas de menor orden son consideradas nicamente despus de que las metas de mayor orden son satisfechas o haya sido alcanzado el punto mas all del cual ninguna mejora adicional sea deseada. ~
Si la gerencia puede proporcionar una clasificacin ordinal de metas en
trminos de sos contribuciones o importancia para la organizacin y todas las restricciones de las metas son lineales, e l problema puede sersolucionado por medio de programacin por metas.
C6mo puede una funcin objetivo ser determinada y expresada en forma algebraica cuando existen metas mltiples, no medibles y en conflicto?.
Una respuesta simple puede ser sugerida, una funcin objetivo compuesta
de metas mltiples.
tas encierra.
Esto es esencialmente lo que programacin por m e
En programacin por metas en lugar de tratar de maxirai
zar o minimizar la funcin objetivo directamente como en programacin lineal, lo que se va a minimizar son desviaciones entre las metas y como pueden ser realizadas dentro del conjunto dado de restricciones.
En el procedimiento solucin en programacin lineal, los valores de las

variables de decisin dictadas por el criterio de la funcin objetivo tienden a manejar los valores de las variables de holgura.
Diferente _
de programacin lineal, la funcin objetivo de programacin por metas no contiene variables de decisin.
En su lugar, ella contiene primera-
mente las VARIABLES DE DESVIACION que representan cada tipo de meta o submeta.
La variable de desviacin es representada en dos dimensiones-
en la funcin objetivo, una desviacin positiva ( d + ) y una desviacin

negativa (d~) de cada submeta y/o restriccin.
Entonces la funcin ob
jetvo pasa a ser la minimizacin de esas desviaciones, basada en la im

portancia relativa o prioridad asignada a ellas.
La funcin objetivo,-
en efecto, tiende a causar que las variables de desviacin manejen a
las variables de decisin.
Es por supuesto, posible incluir las variables de decisin en la fun

cin objetivo si es que resulta ms simple o deseado en el problema dedecisin.
En un modelo muy simple de programacin por metas, el modelo es casi

igual al de programacin lineal.
La principal diferencia surge cuando-
ms de una meta, posiblemente conflictiva y competitiva, entra dentro del sistema.
La solucin de programacin lineal establece una relacin cuantitativaexacta entre las variables con nmeros cardinales, la solucin es nica
mente tan buena como sea la informacin.
La caracterstica que distin-
gue a la programacin por metas es que admite una solucin ordinal.

cho de otra manera, la gerencia puede no ser capaz de especificar el
Di
costo o utilidad de una meta o submeta, pero a menudo pueden ser e s t a

blecidos lmites altos o bajos para cada submeta.
El gerente es usual-
mente cuestionado para determinar la prioridad de la realizacin deseada de cada meta o submeta y clasificarlas en. secuencia ordinal para elanlisis de decisin.
Econmicamente hablando, el gerente trabaja con-
el problema de asignacin de recursos escasos.
Obviamente, no es siem-
pre posible lograr cualquier meta en la extensin deseada por la geren-
cia.
Entonces con o sin programacin por metas el gerente atribuye una
cierta prioridad al logro o realizacin de cierta meta.
El valor real-
de programacin por metas es, por lo tanto, la solucin de problemas
que involucran mltiples metas conflictivas de acuerdo a una estructura

de prioridades del gerente*
Resumiendo conceptos:
. El tomador de decisiones (gerente) define su estructura de preferen
cas.
. Esta definicin se hace a travs de la jerarquizacin (ordinal) de
los criterios o metas.

. El tomador de decisiones (gerente) no est dispuesto a sacrificar unobjetivo o criterio (meta) de mayor prioridad para beneficiar otro, de menor prioridad.
. La optimizacin de criterios es secuencial.
. El tomador de decisiones (gerente) tiene una funcin de utilidad
li
neal de los criterios.
ANALISIS MATEMATICO DE PROGRAMACION POR METAS
Programacin por metas es un modelo matemtico lineal en el cul la con

secusin ptima de las metas es realizada dentro del medio ambiente dedecisin dado.
El medio ambiente de decisin determina las componentes
bsicas del modelo llamadas; variables de decisin, restricciones y fun

cin objetivo.
Variables de decisin son aquellas variables reales en el modelo cuyos-
valores son arbitrariamente asignados y cambiados en la bsqueda para un conjunto ptimo de valores.
Las variables de decisin estn relacio
nadas entre ellas mismas y entre otras variables, cuyos valores son especificados de acuerdo con el medio ambiente o la situacin tecnolgica.
Restricciones representan un conjunto de relaciones entre variables dedecisin.
Una funcin objetivo es una expresin matemtica que involucra algunasvariables en el modelo cuyos valores pueden ser computados cuando los valores de todas las otras variables son determinados.
Vamos a considerar ahora la propiedad matemtica de programacin por me

tas a travs de un ejemplo simple.
Primero se discutir de progtama
cin por metas involucrando una meta simple con mltiples submetas y
despus un anlisis de metas mltiples.
I) Meta Simple con Mltiples Submetas

Vamos a considerar un caso donde una meta puede ser lograda por la realizacin colectiva de un conjunto de submetas, Xj, X2,
(l-2)f(X lf X 2 , . .
donde aj, a 2 , . ,
Xn) = alXi + a 2 X 2 + . . . + a n ^
son
humeros reales.
X^.
= b
Si dejamos que X sea un -
vector columna con componentes X]_, X 2 , . . . , Xq y dejamos que a sea un vector fila compuesta de al, a 2 >
. . .
entonces la ecuacin - -
(1-2) puede ser expresada como:

(1-3)
ax = b
Si la formulacin de programacin por metas es usada, la ecuacin (1-3)

puede ser rearreglada como:
(1-4)
Min
Z = d- + d +
S.r.
ax + d" - d +
x, d~, d + -
Donde d + y d~ representan variables de desviacin de la meta.
En la e-
cuacin (1-4) se supone que la variable X es limitada a ser no negativa

(X - 0).
Si existe una solucin para (1-4), la funcin objetivo siem-
pre conduce a los valores de d* y d~ a cero.
Cuando
y d~ son minimi
zados a cero, la meta "b" ser conseguida a un cierto valor de X,

notarse que d + y d~ son complementarias entre s.
diferente de cero, d~ ser cero y viceversa.
dos variables ser cero, siempre ( O
Debe
Si d + toma un valor-
Como al menos una de las-
(d T ) = o .
Vamos a ilustrar I) Meta simple con Mltiples Submetas, con el siguiente ejemplo:
Un fabricante de muebles produce dos clases de estos, escritorios y mesas .
El mrgen total que queda de la venta de un escritorio es $ 80, y
por la venta de una mesa es $ 0.
La meta del gerente de la planta es-
ganar una utilidad total de $ 640 en la siguiente semana.
Podemos interpretar la meta de utilidades en trminos de submetas, las-
cuales son volmenes de ventas de escritorio y mesas.
Entonces un modelo de programacin por metas puede ser formulado como sigue:
Z = d" + d +
Min.
S.r.
$80Xi + $40X 2 + d - d + = $640

X
X 2 , d", d + - 0
donde Xj es el nmero de escritorios vendidos X2 es el numero de mesasvendidas.
Si la meta de utilidad de $ 640 no es completamente lograda,
entonces obviamente la disminucin en la meta de utilidades ser expresada por d~, la cual representa la desviacin negativa de la meta.
Por
otro lado, si la solucin muestra una utilidad sobre $ 640, entonces d +

mostrar algn valor.
Si la meta de utilidades de $ 640 es exactaitiente
lograda, ambas d~ y d + sern cero.

infinito de combinaciones de X^ y
En este ejemplo, existe un nmero que lograran la meta.
La solu
cin ser cualquier combinacin lineal de X^ y X2 entre los siguientesdos puntos (Xx = 8, X2 = 0) y (X : = 0, X2 = 16).
II. Restricciones Submeta

En la ecuacin (1-5) del ejemplo anterior, una solucin peda que podra
realizarse la meta exactamente esto es que ax - b, o si la meta fuera inalcanzable, se aproximar tanto como fuera posible.
cin impuesta en la submeta fui simplemente X - 0.
La nica restric
Sin embargo, muy a-
menudo el medio ambiente actual de la organizacin impone restricciones
adicionales en la submeta tales como:

(1-6)
BX - h
donde B es una matriz mxm y h es un vector columna de m componentes

Entonces el modelo (1-4) puede ahora ser expresado asf:
(1-7)
Z = d" + d +
Min
ax + a _ - d = U
BX
X,
- h
d",
d+ - 0
Vamos a ilustrar II) Restricciones Submeta con el siguiente ejemplo:

Considerando el caso del ejemplo anterior.
Ahora supongamos que ademas
de las restricciones consideradas en el ejemplo, las siguientes dos res

tricciones son impuestas.
El departamento de mercadotecnia reporta que
el mximo nmero de escritorios que puede ser vendido en una semana esseis.
Y el mximo numero de mesas que puede ser vendido es ocho.
Ahora el nuevo modelo de programacin por metas puede ser presentado de

la siguiente manera:
Min.
Z d" + d +
S.r.
$80X 1 + $40X 2 + d~ - d
X:
= $640
X2
x l s x 2 , d" , d +
La solucin a (1-8) es X^ 6 y X2 -
Uon esta solucin las varia
bles de desviacin d* y d~ sern ambas cero.
La meta de utilidades del
gerente de la planta puede ser realizada bajo las nuevas restriccionesimpuestas en las submetas.
III. Anlisis de Metas Mltiples

El ^modelo ilustrado en los dos ejemplos precedentes puede ser extendido
a manejar casos de metas mltiples.
son incompatibles y no medibles.
Se supone que esas metas mltiples
Suponiendo que hay m metas cuyos nive
les son expresados por un vector columna b de a componentes y que esasmetas mltiples pueden ser realizadas por combinaciones lineales de n variables submeta representadas por un vector columna X de n componen
tes.
Si la relacin entre metas y submetas es expresada por A, la cual
es una matriz mxn, entonces el modelo puede ser escrito como:

AX = b
(1-9)
>
X - 0
Suponiendo que una solucin existe para (1-9), el modelo puede ser
transformado a:
111
Min.
(1-10)
+
(d. + dT)
Z = Z
i-1
AX
Id" - Id + = b
X, d~, d + - 0
Donde d + y d
son vectores columna de m componentes representando
des
viaciones de las metas, e I es la matriz identidad.
Vamos a ilustrar III) Anlisis de Metas Mltiples continuando con el e-
jemplo del fabricante de muebles.
Ahora el gerente desea alcanzar una-
utilidad semanal lo mas cercana posible a $640.
EX tambin desea alean
zar un volumen de ventas para escritorios y mesas cercano a seis y cuatro respectivamente
El problema de decisin del gerente puede ser formulado as:

Min.
Z = d~ + d~ + d~ +
$80X 1 + $40X2 + d j
d+
(1-11)
*r*
Xx
+d~
X2
-dj
*dj
d, d, d, d+
= $ 640
=
La solucin a este problema puede ser encontrada p o r simple examinacin:

Xj 6, X 2 - 4, y todas las metas sern completasen t realizadas.
Por-
lo tanto d~ = d~ = d~ = d* = 0.
IV. Clasificacin y Ponderacin de Metas Mltiples

En el ej emplo anterior III) Tuvimos un caso en el cual todas las metasse lograron simultneamente dentro de las restricciones dadas.
Sin em-
bargo en el medio ambiente de decisin real es muy raro este caso.
Muy
a menudo, la mayora de las metas son competitivas en trminos de recur

sos escasos.
En la presencia de metas mltiples incompatibles el geren
te necesita ejercitar su juicio acerca de la importancia de las metas individuales.
Establecido de una manera ms simple, la meta ms impor-
tante debe ser alcanzada en toda la extensin de los deseos del gerente
antes de que la meta siguiente sea considerada.
Con el fin de realizar la solucin ordinal, esto es realizar las metasde acuerdo a su importancia, las desviaciones positivas y/o negativas
cerca de la meta deben ser clasificadas de acuerdo a los "factores de prioridad preferenciales".
De esta manera las metas de bajo orden son-
consideradas solamente despus de que las metas de alto orden son reali
zadas como se deseaba.
Si hay metas en K rangos, los factores de prio-
ridad preferenciales Pj(j = 1, 2,
k) deben ser asignados a las va-
riables de desviacin positivas y/o negativas*
Los factores de priori-
dad preferenciales tienen la relacin de Pj > P j
+ 1.
Un paso ms a considerar en la formulacin de el modelo es la p o n d e r a

cin de las variables de desviacin al mismo nivel de prioridad.
Por -
ejemplo, si la meta de ventas involucra dos productos diferentes, h a br dos variables de desviacin con el mismo factor de prioridad.
El -
criterio a ser usado en la determinacin de los pesos diferenciales dlas variables de desviacin es la minimizacin del costo de oportunidad
o pesadumbre.
Esto implica que el coeficiente de pesadumbre, el cual -
siempre es positivo debe ser asignado a la variable de desviacin individual con factor Pj idntico.
te representa la cantidad
ta.
El coeficiente de pesadumbre simplemen-
relativa de desviacin insatisfecha de la me
Por lo tanto, las variables de desviacin en el mismo nivel de
prioridad deben ser proporcionadas con respecto a medida, no obstante las desviaciones que estn en diferentes niveles de meta no necesitan ser proporcionadas con respecto a medida.
La funcin objetivo de un problema de programacin por metas consta devariables de desviacin con factores de prioridad preferenciales Pj'spa
ra clasificacin ordinal y 3's para ponderacin al mismo nivel de prioridad.
Dejemos que C sea un vector fila con 2 m componentes cuyos ele-
mentos son productos de Pj y 3 tal que:
(1-12)
C = (9! Pji, 8 2 Pj2,. . . 3 2 m
donde Pji (i
2m)
2, . . ., 2m ; j 1, 2, , . . , k) son factores de -
prioridad preferenciales siendo Pj el factor preferencial de mas alto orden (el mayor) y
3i's (i 1, 2, . . . 2m) son nmeros reales. Deje-
mos que d sea un vector columna de 2m componentes cuyos elementos son d~'s y d + t s , tal que:
(1-13)
Entonces, un
d =
(d~ , d", . . . .
d ; d+
d+
. . .
, d+)
problema de programacin por metas que involucre metas en
conflicto puede ser formulado con:

Min.
cd
S,r>
AX + Rd = b
X, d - 0
donde A y R son matrices mxn y mx2m respectivamente
Vamos a ilustrar IV) Clasificacin y Ponderacin de Metas Mltiples con

tinuando con el ejemplo tratado en los casos anteriores, del fabricante
de muebles.
Ahora con las siguientes restricciones : La produccin tan
to de escritorios como de mesas requieren una hora de capacidad en la planta.
La planta tiene una capacidad de produccin maxima de 10 horas
a la semana.
Debido a la capacidad de ventas limitada, el mximo nume-
ro de escritorios y mesas que pueden ser vendidos son seis y ocho por
semana, respectivamente.
El margen de utilidad de la venta de un escri
torio es de $80 y $40 para una mesa.
El gerente de la planta ha puesto
las siguientes metas, arregladas en orden de importancia.

1. Primero, l quiere evitar cualquier baja utilizacin de la capacidad
de produccin.
2. Segundo, l quiere vender tantos escritorios y mesas como sea posible.
Como el mrgen de utilidad por la venta de un escritorio es el doble
de la utilidad de una mesa, el est mas interesado en realizar la me
ta de ventas para escritorios que para mesas en una proporcin de 2a 1.
3. Tercero, l quiere minimizar el tiempo extra de la planta lo ms que
se pueda.
En este ejemplo, el gerente de la planta hace una decisin que realizar sus metas lo mas que se pueda con el mnimo sacrificio. Como se permite tiempo extra, la produccin de escritorios y mesas puede tomar ms
que la capacidad de produccin de 10 horas.
Por lo tanto la capacidad-
de operacin puede ser expresada como:

(1-15)
Sj^ + X 2 + d" -
= 10
donde X^ es el nmero de escritorios a producir, ^
es
numero de me-
sas, d* es el tiempo extra y d^ es el tiempo de ocio cuando la p r o d u c

cin de ambos tipos de productos no consuma la capacidad.
De acuerdo con Xas restricciones de la capacidad de ventas se puede escribir lo siguiente:

X, + ~ = 6
A
(1-16)
X 2 + d" = 8
donde d 2 es la baja realizacin de la meta de ventas para escritorio yd^ representa la baja realizacin de la meta de ventas para mesas.
De-
be notarse que d^ 7 3 no estn presentes en las ecuaciones (1-16) dado

que las metas de ventas son dadas como el mximo volumen de ventas posi
ble.
Adems de las variables y restricciones presentadas, los siguientes fa

tores de prioridad preferenciales van a ser definidos:
p^ : La n^ alta prioridad es asignada por la gerencia a la baja utilizacin de la capacidad de produccin (dj).
P2,'t El segundo factor de prioridad es asignado a la baja utilizacin de la capacidad de ventas (d 2 y 3)
Sin embargo, la gerencia puso do-
ble importancia a d 2 que a d~ de acuerdo con los respectivos mrgenes de utilidad para escritorios y mesas.
P3 : El ms bajo factor de prioridad es asignado al tiempo extra en lacapacidad de produccin (d*).
Ahora el modelo puede ser formulado.

las desviaciones para las metas.
El objetivo es la minimizacin de
Las variables de desviacin asociadas
con el factor de prioridad ms alto deben ser minimizadas al mximo.
Cuando no sea posible o deseable mejorar mas la meta ms alta, entonces

las desviaciones asociadas con el siguiente factor de prioridad ms alto sern minimizadas.
Min.
El modelo puede ser expresado como:

Z = PjdJ + 2 P 2 d 2 + P2<lg + P 3 d *
S.r.
+
X2 +
10
DJ
6
X,
'2
+ d
3
>
La solucin ptima puede ser obtenida a travs del mtodo simplex de

programacin lineal.
De la simple investigacin de l modelo se puede-
derivar la siguiente solucin ptima:

= 0, d* - 4.
X^ * 6, X^ - 8, d~ = d~
= d~
Las primeras dos metas se lograron, pero la tercera no se
realiz completamente porque el tiempo extra no se pudo minimizar a cero.
LIMITACIONES DE PROGRAMACION POR METAS
Algunas limitaciones son inherentes a todas las herramientas cuantitati^

vas y algunas son atribuibles a caractersticas particulares de t c n i
cas individuales.
Aqu se limitar la discusin a las limitaciones de-
programacin por metas que son atribuidas a las suposiciones fundamenta

les de la tcnica de programacin matemtica lineal.
A) Proporcionalidad
Debe ser sealado claramente que programacin por metas es una extensin
de programacin lineal.
Esto implica que la funcin objetivo, restric
ciones y las relaciones entre metas deben ser lineales*
Esto significa-
que la medida de realizacin de una meta y utilizacin de recursos debeser proporcional al nivel de cada actividad manejada individualmente.
Problemas de decisin que involucren algtmas relaciones no lineales debi

das a la falta de proporcionalidad son extremadamente difciles de resol
ver por programacin por metas.
B) Aditividad
La condicin de que la realizacin de una meta y la utilizacin de un re
curso sean proporcionales al nivel de cada actividad manejada individual
mente no asegura linealidad.
Una no linealidad puede ocurrir si existe-
unin de acciones entre varias actividades de la realizacin de una meta

o de la utilizacin total de un recurso.
Para asegurar linealidad, por-
lo tanto, las actividades deben ser aditivas en la funcin objetivo y
restricciones.
C) Divisibilidad
Otra limitacin de programacin por metas es que las fracciones en las variables de decisin deben ser aceptadas en la solucin.
Por ejemplo -
si la unidad usada para las variables de decisin en un problema de mezcla de productos es numero de cajas y una caja contiene 100 piezas de un
producto, un valor de solucin fraccional es perfectamente
satisfactorio.
Hay casos, sin embargo donde las variables de decisin deben ser enteros
para tener un significado fsico.
D) Deterainstica
En los problemas de programacin por metas normales, todos los coeficien
tes del modelo (aij, bi, y Pj), deben ser constantes.
En otras palabras
el problema requiere una solucin en un medio ambiente de decisin esttico.
Sin embargo, en la realidad el medio ambiente -de decisin es
sualmente dinmico en lugar de esttico.

del modelo ni son conocidos ni constantes.
Por lo tanto, los coeficientes

Esta limitacin es una de
las ms severas ya que los modelos de programacin por metas son u s u a l

mente formulados para hacer decisiones futuras.
Los coeficientes del mo-
delo son basados en pronsticos de condiciones futuras.
Informacin y me
todos de pronsticos son generalmente inadecuados para la determinacin'

precisa de los coeficientes.
Tambin es posible que los coeficientes del
modelo, sean variables al azar que tengan una distribucin de probabili

dad nica para el valor que ellos tomen cuando la solucin sea inplementa
da.
ASEAS DE APLICACION DE PROGRAMACION POR METAS
Programacin por metas puede ser aplicada a las siguientes tres areas dedecisin administrativa.
1) Problemas de Distribucin
Uno de los problemas de decisin bsicos es la distribucin ptima de recursos escasos.
Que es de lo que va a tratar el captulo cuatro de esta-
tesis (Un modelo de programacin por metas para distribucin de recursos-
acadmicos).
Suponiendo que hay n diferentes recursos de entrada que -
estn limitados a ciertas cantidades y hay m diferentes tipos de salida

que resultan de varias combinaciones de los recursos.
El problema de -
decisin es analizar la combinacin ptima de recursos de entrada paralograr cierto conjunto de metas de salida de tal manera que la realizacin de metas pueda ser maximizada para la organizacin.
2) Problemas de Planeacion e Itinerario

Muchos problemas de decisin involucran algn grado de planeacion y/o intinerario.
Con el fin de realizar ciertas metas en el futuro, las de
cisiones deben ser hechas de acuerdo con acciones presentes y futuras a

ser llevadas.
Para cumlir con salidas deseadas, la combinacin ptima-
de entradas en ciertos perodos
de tiempo debe ser identificada.
sas entradas pueden incluir mano de obra, materiales, tiempo, capacidad

de produccin, tecnologa, etc.
Muchos problemas tales como intinera
rio de produccin, determinacin de la localizacin, planeacion f i n a n ciera, planeacion de personal, planeacion de estrategias de mercadotecnia, etc.
pueden ser analizados por programacin por metas.
3) Anlisis de Polticas
Para agencias del gobierno y organizaciones no lucrativas, los p r o b l e
mas de decisin bsicas involucran la asignacin de prioridades a v a rias metas y el desarrollo de programas para realizar esas metas.
Tai-
proceso de decisin constituye los anlisis de polticas de la organiza

cin.
CAPITULO II
FORMULACION DEL MODELO DE PROGRAMACION POR METAS Y SOLUCION POR
EL METODO GRAFICO
Variaciones de la Funcin Objetivo

El modelo general de programacin por metas fu presentado en el Captu
lo # I como:
Min.
cd
S.r.
AX + Rd = b
X , d
La funcin objetivo (Min. cd) es simplemente una minimizadn de una
funcin de variables de desviacin con ciertos factores de prioridad ypesos asignados a ellos.
Un numero de variaciones en la funcin objeti
vo puede ser realizado de acuerdo con la estructura de las metas de el_

anlisis de decisin.
Vamos a examinar las siguientes cinco variacio
nes prcticas.
I) Minimizacin de (d
+ d+)
Dado que la restriccin de la meta es expresada por A X + d

la minimizacin de d
- d + = b, -
+ d + minimizar el valor absoluto de AX - b.
En-
otras palabras, la minimizacin de ambas desviaciones, positiva y negativa tender a encontrar cual valor de X realiza la meta Ax = b exactamente.
Como se discuti el Captulo I, al menos una variable de desvia
cin ser cero, dependiendo sobre el nivel de las metas y la factibili~

dad tcnica del sistema.
Por ejemplo, si A x > b entonces d~" = 0 y d +
AX - b, mientras que si AX <b, entonces d + = 0 y d~ b-AX.
Si AX =
b (la meta se realizo exactamente como se deseaba), por su puesto d~ =

= d + = 0.
Sin hacer caso de la condicin de la restriccin de la me
ta, la minimizacin de d~ + d + encuentra el valor de X que minimiza

d
6 d + cualquiera que sea mas grande.
II. Minimizacin de d~.

Si la funcin objetivo es construida para minimizar la desviacin nega
tiva de la meta, el conjunto solucin consistir de todas las X T s
les que AX - b
ta
por la minimizacin de d~ a cero, si tales soluciones-
son posibles en el modelo.
Si no es posible minimizar d
a cero, el -
conjunto solucin consistir de todas las X*s que minimicen (b-AX) lomas que se pueda.
III. Minimizacin de d +
Si la funcin objetivo es para minimizar la desviacin positiva de lameta, la solucin identificar todas las X f s que satisfagan AX - b, si
tales soluciones son posibles en el modelo.
Si el modelo no puede m i .
nimizar d + a cero, la solucin consiste de todas las X f s las cuales mi

nimicen (AX-b) lo mas que se pueda.
IV. Minimizacin de (d
La minimizacin de (d
de AX,
- d+)
- d ) tiene el mismo efecto que la maximizacion
Si denotamos d (d
restringida en signo.
puede ser escrito como:
- d + ), la variable de desviacin d no es-
Entonces el modelo de programacin por metas
(2-2)
Min.
d.
S.r.
AX + d = b
X , d - O
Como d b - AX, podemos transformar la funcin objetivo a minimizar

(b - AX).
Debido a que b es una constante, la funcin es equivalente -
a la maximizacin de AX.
En la prctica, sin embargo la maximizacin -
de AX puede tambin ser realizada si hacemos b muy grande y minimiza d~".

Por lo tanto, en muchos casos la funcin de "minimizar d~ - d + " es rara
i
mente usada.
V. Minimizadn de (d + - d~)
El efecto de la funcin a minimizar (d + - d~) es equivalente a la minimi
zacin de AX.
Otra vez, sidenotamos d = d* - d , el modelo de programa
cin puede ser escrito como:
(2-3)
Min.
S.r.
AX - d = b
X , d 0
Como sabemos que d = AX - b y b es una constante, la funcin objetivo es la misma que minimizar AX.
En la mayora de los problemas reales ra
ramente se minimiza (d + - d~), debido a que podemos obtener idntico re

sultado que minimizando d + si hacemos a b bastante pequea.
EJEMPLOS DE FORMULACION DEL MODELO Y SOLUCION POR EL METODO GRAFICO
Ejemplo # 1.- Una Compaa textil produce dos tipos de materiales de lino
un material fuerte para tapicera y un material regular para vestido,
El material para tapicera es producido de acuerdo a ordenes directas
de fabricantes de muebles.
El material para vestido, por otro lado, es-
distribu do a tiendas fabricantes al menudeo.
Las razones de produccin
promedio para el material para tapicera y para el material para vestido

son idnticos: 1,000 yardas por hora.
Trabajando dos turnos, la capaci-
dad operacional de la planta es de 80 horas por semana.
El departamento de mercadotecnia reporta que las ventas estimadas mximas

para la siguiente semana son 70,000 yardas de material para tapicera y45,000 yardas de material para vestido.
De acuerdo con el departamento-
de contabilidad, la utilidad aproximada de una yarda de material para ta

picera es $ 2.50, y de una yrda de material para vestido es $ 1.50.
El presidente de la Ca. cree que una buena relacin entre patrn y e m pleados es un factor importante para el progreso del negocio.
Entonces,
el decide que un nivel de empleo estable es una meta primaria para la
firma. Por lo tanto, cuando haya una demanda que exceda a la capacidad
de produccin nomral, el simplemente aumenta la capacidad de produccinnormal por medio de tiempo extra. Sin embargo, el siente tambin que eltiempo extra de la planta de mas de 10 horas por semana debe ser evitado
debido a que incrementara los costos. El presidente tiene las siguientes
cuatro metas.
1.- La primera meta es evitar cualquier baja utilizacin de la capacidad

de produccin (para mantener estable el nivel de empleo a capacidad or-
mal).
2.- La seguida meta es limitar el tiempo extra de la planta a 10 horaspor semana.
3.- La tercera meta es alcanzar las metas de ventas de 70,000 yardas de
material para tapicera y 45,000 yardas de material para vestido.
4.- La cuarta y ultima meta de el presidente es la de minimizar el tiem
po extra de la planta lo mas que se pueda.
Como en este ejeaplo se involucran metas mltiples incompatibles, una aproximacin de programacin lineal no es efectiva para este caso.
Se_
debe desarrollar un modelo de programacin por metas para la solucin._

El caso presenta tres restrieeioses bsicas: producci^, ventas y tiem
po extra de la planta.
1) Capacidad de Produccin
La capacidad de produccin est limitada a
nos.
horas trabajando dos tur-
Sin embargo, como el tiempo extra de la planta es permitido hasta
cierta extensin, la restriccinpuede ser expresada como:

X
(2-4)
1 + ^ ? 80
Introduciendo variables de desviacin a la restriccin sta puede ser expresada como:

(2-5)
X x + X 2 + d~ - d* - 80
donde:
X. Numero de horas usadas para producir el material para tapicera.
Nuniero de horas usadas para producir el material para vestido

l * Baja utilizacin de la capacidad de produccin fijada a 80 horas
de operacin.
d^ * Sobre utilizacin de la capacidad de produccin normal mas alia de80 horas.
Debe notarse, como se discutio ea el Captulo I, que d^ toma un valor

solamente cuando d* es cero y viceversa.
tdp
Por lo tanto el producto de
(d*) siempre ea cero.
2) Restricciones de Ventas
En este caso las ventas maximas para el material para tapicera'y el material para vestido se fijaron a 70,000 y 45,000 yardas, respectivamente.
Aqu se supone que no es posible la sobrerealizacin de los lmites mxi
mos de ventas.
Entonces las restricciones de ventas sern:
X. - 70
(2-6)
X 2 - 45
(Xj y X 2 son espresadas en miles)
Introduciendo variables de desviacin, estas restricciones pueden ser

expresadas como:
X
<2
-7)
2 +
d-
70
=45
donde:
d^ = Baja realizacin de la meta de ventas del material para tapicera.
d~ = Baja realizacin de la meta de ventas del material para vestido.
3) Restriccin del Tieapo Extra de la Planta

Para este caso, solamente se pueden formular las restricciones para pro
duccin y ventas.
No obstante, el anlisis de metas indica que el tiem
po extra de la planta debe ser minimizado a 10 to ras o menos.
Para re-
solver el problema por medio de programacin por metas, se necesita una

variable de desviacin que represente el tiempo extra de la planta masall de 10 horas.
Minimizando sta variable de desviacin a cero podre
mos realizar la meta.
Como no hay tales variables de desviacin en las
tres restricciones presentadas antes, debemos cetear una nueva restriccin.
El tiempo extra de la planta, d^, debe ser limitado a 10 horas o menos.

Sin embargo, no puede ser posible limitar el tiempo extra de la plantaa 10 horas o menos si queremos realizar metas de mayor orden.
Por lo -
tanto, d* puede ser menor que, igual a, o an mayor que 10 horas.
In
troduciendo algunas variables de desviacin nuevas, una restriccin relativa a el tiempo extra puede ser expresada como:
(2-8)
d+ + d~ - d*
= 10
donde:
dT = Desviacin negativa de el tiempo extra a partir de 10 horas.
a?
+
d^ = Tiempo extra mas alia de 10 horas.
En (2-8) la restriccin est basada solamente en variables de desviacin,

tenemos que convertirla de algn modo que quede expresada en funcin de las variables de decisin (X^ y X 2 ); ya que de esa manera es ms efectiva
para ser usada en la solucin por el mtodo grfico.
d* = X 1 + X 2 + d~
Entonces de (2-5):
- 80
sustituyendo d* en (2-8)
X1 + X2 + d j
80 + d~ - d^
= 10
Como la baja utilizacin de la capacidad de produccin (d^) en esta metade el tiempo extra toma un valor de cero, entonces la ecuacin anterior se convierte en:
(2-9)
X A + X 2 + d~ - d+
= 90
que sera equivalente a la restriccin expresada en (2-8) solo que en fun

cin de las variables de decisin.
Ahora el modelo completo puede ser formulado.
El objetivo es la minimiza
cin de las desviaciones de las metas con ciertas prioridades asignadas.La variable de desviacin con la mas alta prioridad debe ser minimizada lo mas que se pueda.
Cuando no Se pueda mejorar mas la meta mas alta;
xas otras variables de desviacin deben ser minimizadas de acuerdo a susc
aCtores de Driordad asignados,
m a cosa oue debe ser notada aqu' es
"ie el factor de prioridad P 0 que es asignado a la baja realizacin de
las metas de ventas para dos tipos de materiales.
Las metas de ventas -
para ambos materiales son consideradas igualmente importantes.
Sin e m
bargo, la proporcin para la contribucin de las utilidades de cada mate

rial difiere algo.
Una yarda de material para tapicera, contribuye - -
$2.50 en las utilidades, y una yarda de material para vestido solamente$1.50 en las utilidades.
Por lo tanto, deben ser asignados diferentes -
pesos a las metas de ventas de esos materiales, no obstante ellos estnen el mismo nivel de prioridad.
La proporcin de contribucin en las u_
tilidades entre el material para tapicera y el material para vestido es

de 5 a 3.
Ahora el modelo puede ser formulado orno:
Z = P l d " + P2d+ + 5P3d + 3P3d + P4d+
Xj + X 2 + d~
Xx
-d*
+ d~
(2-10)
X2
= 70
+ d~
+ X2
80
= 45
+ d
3 ' d 4 ^
-d*
"
= 90
Las variables de decisin fueron expresadas en trminos de miles de yardas en el modelo.
Con el fin de resolver este problema de programacin-
por metas por e l mtodo grfico, las restricciones deben ser graficadascomo se muestra en la figura (2-1).
Como la capacidad de produccin pue
de ser menor o igual o aun mayor que 80 horas, las reas sombreadas pueden estar sobre los dos lados de la lnea recta, como se puede notar con
las flechas en la grfica. Ahora, si las metas presentadas por el presidente son encontradas dentro de las reas de las restricciones de ventas,
el rea de solucin factible ser ABDO.
Fig. 2-1
Se han graficado todas las restricciones en la figura (2-1).

siguiente es el anlisis de la funcin objetivo.
El paso -
La primera meta es e-
vitar la baja utilizacin de la capacidad de produccin o la m i n i m i z a

cin de dj a cero.
Con el fin de realizar esta meta, la restriccin de
la capacidad de produccin de S^ + X^ - d^ = 80 debe ser analizada.
La
flecha que apuntaba hacia el origen desde la funcin de arriba debe ser
minimizada a cero.
El rea de solucin factible es ahora la parte s u
perior desde la lnea recta como se muestra en la figura (2-2).
La segunda meta de el presidente es la de limitar el tiempo extra de la

planta a 10 horas.
Para realizar esta meta el rea de solucin
fact
ile debe ser limitada a el rea sombreada como se maestra en la figura

(2-3).
Fig. 2-2
Fig. 2-3
La tercera meta presentada por el presidente es la de realizar ventas mximas.
Como la razn de utilidades entre el material para tapicera-
(Xj) v el material para vestido (X2) es 5 a 3, se debe tratar de vender

el material para tapicera lo ms que se pueda, antes de tratar de tender el material para vestido.
La cantidad mxima de material para tapi
certa que se puede vender es, por supuesto, 70,000 yardas.
Esta meta
de ventas puede ser encontrada sobre la lnea EF dentro del rea sombrea
da en la fig- (2-3).
En seguida se deben tratar de realizar las ventas
mximas para el material para vestido, 45,000 yardas.
Sin embargo para
realizar esta meta se tiene <fe alcanzar el punto B en la fig. (2- i)

Este punto esta fuera del rea sombreada, y por lo tanto muestras or meras dos metas no pueden ser realizadas en este punto.
Nosotros no de
seamos realizar la tercena aeta a expensa de las priaeras des metas. La meta may-ma de ventas para el material para vestido obviamente na
puede ser realizada dentro del medio ambiente de decisin dado.
ta de ventas
roy
La me
posibles para el material para vestido debe ser en
contrada sobre el segmento de la lnea recta EF en la figura (2-3)
Si hacemos simultneas
ecuaciones:
Xj + X 2 = 80
Xj + X 2 = 90
con Xj 70.
Encontramos para el punto E que X^ 70 y X 2 10 y para-
el punto F que X^ = 70 y Xg
48
20.
Es evidente que en el punto F se
venderan 70,000 yardas de el material para tapicera y 20,000 yardas de el material para vestido, entonces, el punto F es el punto ptimo pa
ra encontrar las tres metas de la firma.
La ltima meta del presidente es la de minimizar el tiempo extra de l a

planta.
Esta meta no cambia actualmente nuestro punto ptimo, desde que
el tiempo extra de la planta ha sido limitado a 10 horas.
Si nosotros e_
liminamos el tiempo extra de 10 horas, esto realizara la cuarta meta, pero solamente con el sacrificio de 10,000 yardas de material para v e s
tido.
En otras palabras, nos estaramos regresando del punto F al E .
Por supuesto nosotros no deseamos alcanzar la cuarta meta a expensas dela tercera meta.
En el ounto ptimo F, la produccin ser 70,000 yardas de material para

tapicera y 20,000 yardas de material para vestido, y la utilidad serde $ 205,000.00.
En este punto las dos primeras metas son alcanzadas -
completamente, pero las ltimas dos metas no pudieron ser realizadas
completamente desde que existe una baja realizacin de la meta de v e n

tas para el material para vestido por 25,000 yardas v 10 horas de tiempo extra de la planta.
Sin embargo, la solucin realiza todas las me
tas lo'mas que se pueden de acuerdo a las prioridades establecidas y
dentro del medio ambiente de decisin dado.
En este momento se puede pensar que con programacin lineal se puede re

solver el problema si tratamos las dos primeras metas como restriccio
nes y maximizarmos la utilidad dentro de las restricciones.
palabras formular el problema de programacin lineal como:
En otras -
ta es asignada a esa neta. Pj as entonces asignada a d^, la baja ê

lizacin de esa met* de ventas.
La segunda neta de el presidenta, es evitar sialquier baja utilizacin,

de la capacidad de produccin por lo tanto, ? 2 es asignada 4 dj,
La -
tercera nata es minimizar el tiempo extra de la planta lo roa que se

pueda.
La cuarta meta es asignada a la realigacin de la meta (te v e n -
tas para el material para vestido, as que, F^ es asignada a a,
Si tratamos de utilizar programacin lineal para maxiaiaar utilidades,

el modelo podra ser desarrollado COBO:
Max
S.r.
f2
"l2)
Z = 2500 Xj + 1500
X:
1 +
100
X2 -
45
Xj
90
1 X2
La representacin g ^ f i c a de el modelo se muestra en la figura (2-4)
Obviamente, ao existe rea de solucin factible 7 consecuentemente el problema no puede ser resuelto por medio de programacin lineal.
S utilizamos el modelo de programacin por metas, el problema puede

ser fcilmente resuelto.
lado as:
El modelo de programacin por metas es formu-
Max
= 2500 X 1 + 1500 X 2
S.r.
X1
70
(2-11)
"
Xx +
l*
X2
90
La solucin al problema es producir 70,000 yardas de material para tapi

cera y 20,000 yardas de material para vestido para una utilidad de - $205,000.00.
Como se esperaba, la solucin ptima es idntica en este-
caso .
Significa esto que con programacin lineal podramos encontrar idnti

cas respuestas si convertimos alguna de las metas de la gerestcia a restricciones? La respuesta es absolutamente no.
En primer lugar puede
ser muy posible que no todas las metas puestas por el que toma las deci
siones involucren metas financieras, ejemplo, raximizacin de utilida
des o minimizacin de costos.
Segundo, las restricciones puestas para-
ciertas metas no forman un conjunto convexo o una rea simple de s o l u

cin factible, as que no puede ser posible de solucionarse con el mode
lo de programacin lineal.
Para ilustrar esto, vamos a cambiar el caso anterior muy ligeramente. Suponiendo que el mejor cliente de la compaa textil orden 100,000
yardas de material para tapicera.
Por varias razones el presidente no
desea fallar en cumplir con esa orden; por lo tanto la prioridad mas al
Min.
2 -
PjL d
+ P2d" + P 3 d : +
S.r.
X x + X 2 + d~
X,
+d.
-d.
(2-13)
l>
2*
3 ' d l
100
: 45
+ d:
h
X
80
_d
i o
Fig. 2-4
La representacin grfica de el modelo se muestra en la figura (2-5).
Ahora, la primera meta es cumplir con la meta de ventas de 100,000 yardas de material para tapicera ordenada por el mejor cliente.
Por lo -
tanto el rea de solucin factible estar sobre y arriba de la lnea
recta de X^ = 100.
La segunda meta es minimizar la baja utilizacin de
la capacidad de produccin, la cual es puesta a 80 horas.

do la primera meta, la segunda es automticamente lograda.
SatisfacienLa tercera-
meta es minimizar el tiempo extra de la planta lo ms que se pueda.
Es^
ta claro que con el fin de satisfacer la primera meta tenemos que traba^
jar la planta 100 horas es decir 20 horas de tiempo extra.
Entonces, -
la tercera meta no puede ser completamente realizada, pero puede ser

parcialmente alcanzada moviendo X2 a cero.
de las ventas del material para vestido (X 2
Nuestra ultima meta es la =
45).
El nico modo de
cumplir con esta meta, es por medio de mas horas de tiempo extra de laplanta
Esto implica que tratando de alcanzar la cuarta meta se sacri-
fica a la tercera meta.
Por lo tanto esta meta tiene que ser ignorada.
Fig. 2-5
deLa solucin de programacin por metas del problema es X^ 100 y X 2 = 0.

En este punto A, nuestras primeras dos ms importantes metas son s a t i s
fechas, la tercera meta no es completamente alcanzada y de la ultima meta no se obtuvo nada.
De este ejeoplo queda claro que programacin por-
metas trata de resolver el problema identificando el punto ptimo de
cuerdo a las condiciones del medio ambiente especificadas y a la estructura de prioridades establecidas.
Mientras que, programacin lineal no-
puede ser usada an para tratar de resolver el problema cuando no hay
rea simple de solucin factible.
Ejemplo # 2.- El gerente de la nica tienda de discos de un pueblo que tiene Universidad tiene un problema de decisin que involucra metas mu
tiples.
La tienda de discos emplea cinco vendedores de discos de tiempo
completo y cuatro vendedores de discos de medio tiempo.
Las horas de
trabajo mensuales normales para los vendedores de tiempo completo son
160 y 80 horas mensuales para los vendedores de medio tiempo.
De acuer-
do a los registros de desempeo de los vendedores, las ventas promedio han sido cinco discos por hora para los vendedores de tiempo completo ydos discos por hora para los vendedores de medio tiempo.
Los rangos de-
sueldo promedio por hora son $3 para los vendedores de tiempo completo y
$2 para los vendedores de medio tiempo.
La utilidad promedio por la ven
ta de un disco as $1.50.
En vista de las ventas pasadas de discos y un incremento de estudiantes-
en la Universidad local, el gerente siente que la meta de ventas para el prximo mes debe ser de 5,500 discos.
Como la tienda se abre seis -
das a la semana, es a menudo requerido el tiempo extra de los vendedores (no necesariamente tiempo extra, pero si horas extras para los vendedores de medio tiempo).
El gerente cree que una buena relacin obre-
ro patronal es un factor esencial para el progreso del negocio.
Por lo
tanto, el siente que un buen nivel de empleo estable con requerimientos

de tiempo extra ocasional es una mejor prctica que un nivel de empleoinestable sin tiempo extra.
Sin embargo el siente que el tiempo extra-
de ms de 100 horas al mes entre los vendedores de tiempo completo debe

ser evitado debido a la declinacin en la efectividad de ventas c a u s a
das por la fatiga.
El gerente ha puesto las siguientes metas:

1.- La primera meta es alcanzar una meta de ventas de 5,500 discos parael mes siguiente.
2.- La segunda meta es limitar el tiempo extra de los vendedores de tiem
po completo a 100 horas al mes.
3.- La tercera meta es la de proporcionar seguridad en el trabajo de los
vendedores.
El gerente siente que la plena utilizacin de las horas de-
trabajo regulares de los empleados (no suspensiones) es un factor importante para una buena relacin obrero patronal.
Sin embargo, el est con
Vencido de que le conviene mas la plena utilizacin de los vendedores de

tiempo completo que la plena utilizacin de los vendedores de medio tiem
po en una proporcin de 2 a 1.
4.- La ltima meta es la de minimizar la suma del tiempo extra para a m
bos vendedores de tiempo completo y medio tiempo.
El gerente desea
signar pesos diferentes a la minlmizaciSn del tiempo extra de acuerdo a la razn de utilidad marginal neta entre los vendedores de tiempo com
pleto y medio tiempo.
En base al problema establecido, se pueden formular las siguientes restricciones:
1.- Meta de Ventas

La realizacin de la meta de ventas, la cual es puesta a 5,500 discos,es una funcin del total de horas trabajadas por los vendedores de tiem
po completo y de medio tiempo y de sus razones de productividad
(ventas
por hora).
(2-14)
+ 2X 2 + d~ - d*
5,500
donde:
X^ = Total de horas al mes para los vendedores de tiempo completo.
X 2 = Total de horas al~mes para los vendedores de medio tiempo.
d^ = Baja realizacin de la meta de ventas
d* = Sobre realizacin de la meta de ventas
5
= Ventas por hora para el vendedor de tiempo completo
- Ventas por hora para el vendedor de medio tiempo
5500 = Meta de ventas para el mes
2.- Horas de Trabajo Rgular

Las horas de los vendedores son determinadas por las horas de trabajo -
regular para cada tipo de vendedor y el numero de vendedores empleadosde tiempo completo y de medio tiempo.
Como se denote a X^ como el t o
tal de horas al mes para los vendedores de tiempo completo, con cinco vendedores de tiempo completo, el total de horas regulares por mes sera
de 5 X 160 = 800.
Para los vendedores de medio tiempo, el total de ho-
ras al mes sera de 4 X 80 = 320.
(2
~15)
Entonces tenemos;
3 " d3
8 0 0
320
donde:
d^ = Baja utilizacin de las horas de trabajo regular para los vendedores de tiempo completo en horas al mes.
d^ = Tiempo extra dado a los vendedores de tiempo completo al mes.
d^ - Baja utilizacin de las horas de trabajo regular para los vendedores de medio tiempo en horas/mes.
d* = Horas de trabajo extra dadas a los vendedores de medio tiempo.
3.- Tiempo Extra

En la solucin de programacin por metas, para realizar una cierta meta
debemos tener una variable de desviacin a minimizar.
Si no hay varia-
ble de desviacin a minimizar para realizar la meta, uno debe crear una
introduciendo una nueva restriccin.
En este problema, la segunda meta
del gerente es la de limitar el tiempo extra de los vendedores de tiempo

completo a 100 horas al mes.
No tenemos una variable de desviacin a -
minimizar con el fin de realizar esta meta en las restricciones formula
das antes.
Por lo tanto debemos introducir una nueva restriccin.
Aho_
ra esto viene a ser aparente que es un caso de descomposicin de una
cierta meta.
Hay que notar que el gerente clasifico la minimizacin
del tiempo extra para los vendedores de tiempo completo como una partede la cuarta meta,
EQ esencia, el tiene dos metas separadas c o n c e m i e n
tes al tiempo extra de los vendedores de tiempo completo.
Para limitar
el tiempo extra de los vendedores de tiempo completo a 100 horas al mes,

debemos introducir la siguiente restriccin,
(2-16)
4 * * 4
donde:
d^ = Tiempo extra actual de les vendedores de tiempo Bplefco,

d* = Diferencia entre el tiesto efcra scttfal &
completo y las 100 horas desgalga
temp
los vendedores de tiempo

extâ.
dj = Tiempo extra en exceso fe las 100 loras deseadas
En (2-16) la restriccin est basada solamente en variables de la desvia

cin, tememos que convertirla, de algn moda que quede expresada en funcin de las variables de decisin (Xj y X ^ , ya que de esa manera es ms
efectiva para ser usada en la solucin para el mtodo grfico. Entoncesde (2-15)
.
d-2
d2
en (2-16) tenemos:
800
sustituyendo
X x + d - 800 + d~ - d* = 100
Como d^ para esta meta toma un valor de cero entonces la ecuacin anterior se convierte en :
X
(2-17)
"
900
que sera equivalente a la restriccin expresada en (2-16), slo que en

funcin de las variables de decisin.
El modelo de programacin por metas para este problema, entonces es for^

mulado as:
Min.
Pjdj + P 2 d^ + 2P 3 d 2 + P g d 3 + SP^d* +
P ^
S. r.
5Xj + 2X2 + dj
Xj
C2
'l8)
-dj
+d~
X2
Xj
x
- 5,500
-d+
+d
l"
2*
-dj
d
800
320
900
0
En el modelo anterior, el peso diferencial de 3 es asignado a d* al nivel P^ en la base de la razn de utilidad marginal neta por hora ntrelos vendedores de tiempo completo y los de medio tiempo.
La razn de -
productividad (ventas por hora) entre los vendedores de tiempo completo

y medio tiempo es 5 a 2, mientras que la razn del salario por hora para
tiempo extra es $4.50 y $2.00.
La utilidad marginal por hora de tiempo
extra es $3.00 para los vendedores de tiempo completo y $ 1.00 para los
vendedores de medio tiempo.
El costo relativo de una hora de tiempo
-4 5
extra para los vendedores de medio tiempo es tres veces que el de l o s
+
vendedores de tiempo completo.
Por eso, 3 P^ es asignado a d^ mientras
que 1P^ es asignado a d*.
Las restricciones del modelo fueron graficadas en la figura (2-6).
Fig.
2-6
La primera meta del gerente es la dfe aleaassr la tsefea de ventas minlmi

zando d^ a cero.
Por lo tanto, la solucin debe estar sobre o arriba -
de la lnea recta Xj = 1,100 - 2/5
La segunda meta llama para la -
limitacin de el tiempo extra para los vendedores de tiempo completo

a 100 horas por mes.
Minimizando d^, el rea solucin viene a ser e l
rea sombreada mostrada en la figura (2-7).
Es evidente que la doble -
rea sombreada satisface las primeras dos metas.
La tercera meta es evitar la baja utilizacin de las horas de trabajo re

guiares para los vendedores de tiempo completo y medio tiempo.
Como le-
asignamos doble peso a la minimizacin de dJ debemos restringir el reasolucin sobre y arriba de la lnea X^ = 8QG*
Ahora el tscea solucin pa
sa a ser el rea sombreada que se muestra en la figura (2-3)
Fig. 2-8
La cuarta meta es la de minimizar la suma de el tiempo extra dado a los

vendedores de tiempo completo y de medio tiempo.
Como asignamos tres -
el peso a la minimizacin del tiempo extra de los vendedores de medio tiempo y una vez al peso del tiempo extra de los vendedores de tiempo completo, d* debe ser minimizada primero.
ir a la lnea recta X 2 ~ 320 es el punto A.
zar d*.
Lo ms cercano que podamos Ahora nos gustara minimi-
Sin embargo, si nos movemos abajo hacia B con el fin de mininri
zar d2 , estaramos incrementando d^. Por lo tanto la solucin ptima de el problema ser el punto A, donde X 1 = 900, X 2 = 500, d* = 100,
d^ - 180.
Con esta solucin, el gerente dla tienda de discos es capaz
de alcanzar las tres ms importantes metas completamente, pero la ultima meta no es realizada, debido a que hay horas de tiempo extra en la solucin.
Lo antes expuesto en este capitulo lo podemos resumir en los siguientes:
PASOS A SEGUIR PARA LA FORMULACION DEL MODELO DE PROGRAMACION POR METAS.
Como se ilustraron las formulaciones del modelo de programacin por metas con ejemplos relativamente simples.
Los pasos que se deben seguir-
en la formulacin del modelo pueden ser resumidos de la siguiente manera:
I) Definir Variables y Constantes

El primer paso en la formulacin del modelo es definir las variables de
decisin y el lado derecho de la ecuacin (las constantes).
Las c o n s
tantes del lado derecho pueden ser recursos utilizables o niveles de me
tas especificadas. Esto requiere un cuidadoso anlisis del problema con

el fin de identificar todas las variables relevantes que tienen algn efecto en el conjunto de metas establecidas por el gerente.
II) Formular Restricciones

A travs de un anlisis de las relaciones entre las variables de d e c i
sin y sus relaciones con las metas un conjunto de restricciones debe
ser formulado.
Una restriccin puede ser una representacin de una - -
restriccin del sistema, una relacin entre variables o una restriccin

de laffletaque define la relacin entre las variables de decisin y las
metas.
Debe ser recordado que si no hay variable de desviacin a mini-
mizar con el fin de realisar cierta meta, una nueva restriccin debe
ser creada.
Si es requerido un refinamiento adicional de metas y prio-
ridades, puede ser facilitado descomponiendo ciertas variables de d e s

viacin.
III) Desarrollar la Funcin Objetivo

A travs del anlisis de la estructura de metas de el que toma las deci
siones (gerente), la funcin objetivo debe ser desarrollada.
Primero,-
los factores de prioridad preferenciales deben ser asignados a ciertasvariables de desviacin que son relevantes para alcanzar una meta.
Se-
gundo, si es necesario, deben ser asignados pesos diferenciales a las variables de desviacin que esten al mismo nivel de prioridad.
Es impe
rativo que las metas al mismo nivel de prioridad sean proporcionadas otengan una medida comn.
CAPITULO III
EL METODO SIMPLEX DE PROGRAMACION POR METAS
Ejemplo # 1.
La mejor manera para explicar el mtodo simplex de programacin por metas es a travs de un ejemplo.
Entonces, vamos a examinar el problema-
presentado como ejemplo # 1, en el captulo 2.
El presidente de una
compaa textil tiene el siguiente problema de programacin por metas:
Min
Z * Pid]~ + P2<4+ + 5P3d2~ + 3 P 3 d 3 w + P 4 d 1 +
S.R.
-di+
X : + X2 + dx~
80
(3-1)
X
+d
X +
+d3"
x x + X2
x
2~
-d4+
-ha4"
x
2*
1 d
2 * d3 ' d4 ' dl+
4+ ~
70
45
90
0
La razn por la que se formulo la ultima restriccin (minimizacin deltiempo extra de la planta en exceso de 10 horas) por medio de variables
de decisin fu porque debamos tener todas las restricciones e x p r e s a
das en trminos de variables de decisin con el fin de resolver el problema por el mtodo grfico.
Sin embargo, como ahora utilizamos el m-
todo simplex, podemos tambin resolver el problema si la restriccin es

formulada como sigue:
(3-2)
d. +
- d.. +
10
donde:
dj
d^
= tiempo extra de la planta

diferencia entre el tiempo extra actual de la planta y 10 to
ras de tiempo extra
djj + = tiempo extra de la planta en exceso de 10 horas.
Si usamos la restriccin formulada en (3-2), entonces la segunda meta en

La funcin objetivo debe leer P2
Cualquier modelo es perfectamen-
te aceptable para la solucin por el mtodo smplex del problema.
Enton
ees el modelo para solucionar por el mtodo smplex quedara as:
Min.
+ * P 3 d 2 " + 3P 3 d 3 " + P 4 d j +
Z - Pjdj" +
80
70
45
10
S.r.
XJ + X 2
+ DJ~
+2"
1
x2
+d 3 ~
d
X^
u"
i+
ll+
d 2 ' d 3 ' d ll * d l * d ll
Antes de que sea presentada la primera tabla del mtodo simplex para elmodelo (3-3), hay varias cosas que debemos considerar.
Primero, en programacin por metas, el propsito de la funcin objetivoes minimizar el total de metas inalcanzables.
Esto se logra minimizando
las variables de desviacin a travs del uso de ciertos factores de prio_

ridad preferenciales o pesos diferenciales.
No hay maximizacin de uti-
lidades o minimizacin de costos a seguir en la funcin objetivo.
Por -
lo tanto los factores de prioridad preferenciales y los pesos diferencial

les toman el lugar de Cj como se usa en programacin lineal.
Segundo, la funcin objetivo es expresada asignando factores de prioridad

a ciertas variables. Estos factores de prioridad preferenciales son multi^
dimensionales como ellos son valores ordinales en lugar de valores cardinales.
Esto implica que el criterio simplex (Zj o Zj - Cj) no puede ser-
expresado por una fila simple, como se hace en el caso de programacin

neal.
En lugar de esto el criterio simplex viene a ser una matriz de tamao - mxn, donde m representa el numero de niveles de prioridad preferencialesY TI es el nmero de variables incluyendo ambas variables de decisin y de
desviacin.
Tercero, como el criterio simplex es expresado como una matriz en lugar de una fila, debemos disear un nuevo procedimiento para la
cin de la columna ptima (clave).
identifica
La relacin entre los factores de - -
prioridad preferenciales es Pj > Pj + 1 , lo cul significa que Pj siempre lleva prioridad sobre Pj + 1.
Est, entonces claro que el procedi
miento para la seleccin de la columna ptima (clave) debe considerar elnivel de prioridades.
La tabla (3-1) presenta la tabla inicial de este problema de programacin

por netas.
La suposicin bsica que se hace al formular la tabla inicial
de programacin por metas es idntica a la que se hace para programacin-
lineal.
Suponemos que la solucin iriicial es en el origen, donde los -
valores de todas las variables de decisin son cero.
En la primera r&s_
triccin, por lo tanto, las hfiras de operacin^totales de la planta son,

por supuesto cero como X,.= X 9 - 0.
C,
V
p,
3
-P3
5P 3P3
d:
fl xi
dj
80 i!
70
du
,0
P.
0
485
P3
P,
P,
P:
Pj
t/j dft u'f
d*
l
l
45
1
1
,
I
<
1
U-
-1
80
Pi
TABLA 3-1
Naturalmente, no hay tiempo extra en la planta (d^
0)
Por lo tonto,
la baja utilizacin de la capacidad normal de produccin (d^ ) ser 80 horas.
Por consiguiente la variable d^
tra a la base) y la constante

misma manera d 2
y d^
+
restriccin (d^
de el lado derecho pasa a ser 80.
estn tambin en la solucin base.

+
+ d^
d-j+ tiene que ser cero.
- d^
ên
ê la-
En la ultima-
= 10), como la planta no est en operacin
Entonces el tiempo extra de la planta en exceso
de 10 horas (dj^ ) tambin debe ser cero

dj^
entra en la solucin base
0).
Consecuentemente -
toma el valor de 10 como se muestra en la tabla (3-1).
Siempre la-
regla en la tabla inicial de programacin por metas es que la& v a n e l e s

de desviacin negativas (d^ ) aparecern en la solucin base.
hora, vanos a examinar a Cj,
En
programacin por metas Cj est repre-
sentado por los factores de prioridad preferenciales y los pesos diferer^

ciales como se muestra en la funcin objetivo de programacin por metas.
La mayora de los problemas de programacin por metas involucran un gran
numero de variables.
Por esa razn, con el fin de hacer la tabla mas
simple de leer se dejan espacios vacos en la tabla en donde debera apa_

recer cero.
El criterio simplex(Zj - Cj) es una matriz de 4 x 8 debido a que tee

nos cuatro niveles de prioridad y ocho variables (dos de decisin y seis
de desviacin) en el modelo.
El procedimiento de programacin por metas
primero realiza la eta mas importaste en toda la extensin posible y en

ton ees considera la meta de ft&gttieate orden, y as sucesivamente.
Debe-
ser fcilmente apalease que la s^J&Sein de la columna ptima debe estar

basada
el percentaje de contribucin taitario de cada variable para -
realizar la meta ais importante.
Cuando la primera meta es completamen-
te Alcanaada, entonces el criterio de seleccin de la columna ptima

(clavel Ser basado es el porcentaje de realizacin de la segunda meta y
a&f sucesivamente.
s por eso que los factores de prioridad preferencia
les st arreglaros de menor a mayor en la tabla (3-1) de manera que la co_

Iftift t>3aa pueda ser fcilmente identificada en la parte ms baja de U
tabla.
SI problema de programacin por metas es un problema de minmizacin.
& fes paroblesas de miaiaizacin de programacin lineal, los valores enla columna de constantes del criterio simples representan el costo total
de la solucin.
485,
0 y P^
En programacin por metas esos valores (P^ = 0, P^ = a
80) en la columna de constantes representan la p o r
cin que no se ha alcanzado de cada meta.
Por ejemplo, en la tabla ini^
cial donde la planta no est an en operacin es evidente que la segunda y cuarta metas estn en ese momento completamente alcanzadas porqueson metas que se refieren a tiempo extra de la planta.
La baja realiza^
cin de la primera meta es 80 porque la baja utilizacin de la capaci

dad normal de operacin de la planta es de 80 horas.
mata, la baja realizacin de la meta es 485.
Para la tercera -
Se recordar que se asig-
naron diferentes pesos de 5 y 3 a la baja realizacin de las metas de ventas para los materiales para tapiceras y vestido.
Como esas dos me^
tas son proporcionadas y estn al mismo nivel de prioridad, este procedimiento es absolutamente apropiado
5(70) + 3(45)
= 485.
Ahora, examinaremos los clculos de Zj - Cj en la tabla (3-1).
Ya se -
haba discutido que los valores de Cj representan los factores de prioridad asignados a las variables de desviacin y los valores de Zj son porducto de la suma de Cj por constantes o coeficientes*
Entonces el-
valor de Zj en la columna de Xj ser (Pjxl + SP^xl), o P^+5P 3 .
El v a
lor de Cj en le eoltmna de Xj es cero con se muestra por el espacio

en blanco en la hilera de Cj.
es Fj + ^ 3 *
Por lo tanto, Zj - Cj para la columna X^
Como Pj y Pj oo son proporcionadas, se deben listar sepa-
radaaente en lee hileras Pj y Pj del criterio simplex (Zj - Cj).
Conse^
cueateoente, el valor de (Zj - Cj) ser 1 en la hilera de Pj y 5 en lahilera de P^ en la columna Xj.

de (Zj - Cj) de la columna
Con el mismo procedimiento, los valores

pueden ser obtenidos.
Estos sern (P^ X 1 + 3P 3 X 1) - 0 O PJ

tres columnas, dj ,
3P
3'
PARA
LAS
siguientes
y d^ , los valores (Zj - Cj) sern cero porque
los valores Z, son idnticos a los respectivos valores Cj.
Para la columna d ^
bas cero.
, el valor (Zj - Cj) es cero porque Zj v

se
Para la columna
de Zj de -Pj de la tabla.
puede fcilmente calcular el valor
Como el valor de Cj en la columna es P^, en-
tonces Zj - Cj ser (-P^ - P^J.
Entonces se pone un menos uno (-1) en-
la hilera de P^ v tambin en la de P^ para la columna

columna
indica cero Zj.
La ltima-
Sin embargo su valor para Cj es P^.
En-
toaces Zj-Cj para la columna viene a ser -P 2 de acuerdo a esto se poneun (-1) en la hilera P 2 para la columna d]_
Ahora, seleccionaremos la columna ptima (o clave) y la hilera (o r e n

gln) clave.
El criterio usado para determinar la columna ptima es el
porcentaje de contribucin de cada variable en la realizacin de la meta mas importante (P^).
En otras palabras, la columna con el valor mximo positivo en el nivelP1 en (Zj - Cj) ser seleccionada como la columna ptima.
En la tabla-
(3*1), hay dos valores positivos idnticos en las columnas X^ y Xj. Con
el fin de romper este empate, checaresos los siguientes niveles de pri
ridad mas bajos.
Coso hay un valor ms grande en la columna Xj en el -
nivel P^ comparado con al de la columna ^

se selecciona X^ como la columna ptima.
(5 en X^; 3 en X 2 ), entonces
El rengln (o hilera) clave -
es el que tiene el mniiao valor cuando se dividen los valores de la co-
lumna de constantes entre los coeficientes de la columna ptima
El co_
eficiente de 1 es encerrado en la tabla (3-1) para indicar que e s la in,

terseccin de la columna ptima y el rengln clave.
Entonces entra X^-
en la base, la baja utilizacin de la capacidad normal de la planta v la baja realizacin de la meta de ventas para el material para tapice
ra ser afectada.
Esto est claro de una observacin de los coeficien
tes existentes en las hileras dj
y d^ .
Utilizando el procedimiento simples regular de programacin lineal, laprimera tabla es revisada para obtener la segunda tabla con se muestra
en la tabla (3-2).
La planta est en operacin 70 horas para producir-
70,000 yardas de material para tapicera.
Por lo tanto, la baja utili-
zacin de la capacidad regular de planta es ahora 10 horas como se mues_

tra por la constante en la hilera dj .
Tenemos tambin completamente -
realizada la meta de ventas para el material para tapicera

tanto d 2
, y por lo
sali de la solucin base.
Como nuestra atencin inmediata es la realizacin de la meta ms importante , debemos simplemente examinar si Zj ha decrecido en el nivel P^ al final de cada paso (en este paso decreci 70).
Cuando Zj en el n i
vel P^ es completamente minimizada a cero, nuestra atencin debe entonces ser enfocada en el valor Zj en el nivel P 2 y as sucesivamente.
En la tabla (3-2) la columna ptima es identificada como

Ion (o hilera) clave como d^
El r e n g
es detenaibadi por el procedimiento usual.
La mejor manera de alcanzar la meta mas importante completamente es pro
duciendo 10,000 yardas de material para vestido.
La produccin de 70,000
yardas de material para tapicera y 10,000 yardas de material para vestido requerir de 80 horas de operacin en la planta;
Pj
I
p.
d,
"l
d,
.0
J*
l
1
XS
P4
d,
O -
10
70
10
P,
P,
Xj
*/
d,,
0
10
TABLA
Ji
J,i
P:
d,
1
i
c,
(3-2)
paso de la solucin es presentado en la tabla (3-3)
d,i
10
70
3S
10
P4
*2
3P,
d.,
P3
P2
P,
SP<
di
d;
1
1
-3
IOS
0
0
_2
d11 dj
-O
1
3
I
-1
TABU.
(3-3)
La solucin indica que la produccin de 70,000 yardas de Biatfial para tapicera y 10,000 yardas de material para vestido es suficiente para al_
canzar la primera segunda y cuarta metas.
Sin embargo, la tercera neta-
no est completamente alcanzada debido a que a la meta de ventas dei material para vestido le faltan 35,000 yaraas para lograrla; el valor de d-,
de 35 en In solucin base indica esto.
En los niveles Pj y P^ toaos
los coeficientes en (Zj - Cj) son negativo o cero como se muestra en latabla (3-3).
La seleccin de la columna ptima es ahora determinada en el nivel P^.

La coluima d^
es obviamente la columna ptima debido a que el nico va
lor positivo en el nivel P^ de (Zj - Cj) est en esa columna.

gln clave es d ^
El ren
El procedimiento es a la vez sensible y racional. -
Se emplea tiempo extra de operacin de la planta para alcanzar la tercera meta completamente.
Como le asignamos la cuarta prioridad a la mini-
mizacin del tiempo extra de la planta, entonces estamos alcanzando la tercera meta a expensas de la cuarta.
La tabla (3-4) presenta la solucin ptima de el problema.
Es ptima en
el sentido de que esa solucin capacita al que toma las decisiones paraalcanzar sus metas lo mas cercano posible dentro de sus restricciones de
decisin dadas y su estructura de prioridades.
Se debe notar como disminuy el valor de Zj en el nivel P^ de 105 a 75.Para disminuir la baja realizacin de la tercera meta se sacrific la
completa realizacin de la cuarta meta en 10 unidades (horas) como se
muestra en el nivel P^.

d^
=25.
La solucin optima es X^ = 70, X 2 * 20, d ^ - 1 0 ,
En otras palabras la compaa debe producir 70,000 yardas de-
material para tapicera y 20,000 yardas de material
para vestido con 10
horas de tiempo extra de la planta y 25,000 yardas de baja realizacin en la meta de ventas del material para vestido.
P!
C,
\
Xi
20
70
2S
>i
d,
X2 df
1
d-
l
1
di
PA
75
0
P.
d i dj
I
1
]
10
F3
P2
P<
P:
d,
10
Pa
sf
PI 3Pi
-3
1
-i
3
lT
TABLA (3-4)
En la tabla (3-4), como la tercera meta no est completamente alcanzada,

hay un valor positivo en (Zj - Cj) en el nivel P^ que es 3 en la columna
d
ll+ *
Obviamente, podemos tratar de alcanzar la tercera meta en una
extensin mayor si introdujramos
en la solucin.
Pero encontramos
un valor negativo (-1) en el nivel de prioridad mayor (P 2 )
Esto impli-
ca que si entra djj"*" a la base, mejoraramos la tercera meta a expensasde la segunda.
Entonces no podemos meter
lgica se aplica a la columna d ^

(+1) en el nivel P^.
en
I a solucin.
La misma
donde encontramos un valor positivo -
La regla es que si hay un elemento positivo en un-
nivel de prioridad menor en (Zj - Cj), la variable en esa columna no pue^
de entrar a la solucin si es que hay un elemento negativo en la mismacolumna en un nivel de prioridad mayor.
PASOS DEL METODO SIMPLEX DE PROGRAMACION POR METAS
Ahora que ya se ha ilustrado como resolver un problema de programacinpor metas por el mtodo simplex modificado, podemos resumir los pasos de la solucin para a y u d a m o s en soluciones futuras:
1. OBTENER LA TABLA INICIAL EN BASE AL MODELO DE PROGRAMACION POR METAS

Suponemos que la solucin inicial esta en el origen.
Por lo tanto,-
todas las variables de desviacin negativas en las restricciones del

modelo deben entrar en la solucin base inicialmente.
Enlistar las-
constantes del lado derecho y los coeficientes de todas las variables

en el cuerpo principal de la tabla.
Tambin hay que enlistar los
factores de prioridad preferenciales y los pesos diferenciales a las

variables apropiadas examinando la funcin objetivo.
En el criterio
simplex (Zj - Cj), enlistar los niveles de prioridad en la columna V

desde el mas bajo en la parte superior al mas alto en la parte inferior.
Los valores de Zj deben ser calculados y anotados en la colum
na C.
El ltimo paso es calcular
los valores (Zj - Cj) para cada -
columna comenzando desde las variables de decisin hasta las ultimas

variables de desviacin positivas.
2. DETERMINE LA NUEVA VARIABLE DE ESTRADA

Este paso es idntico a la identificacin de la columna ptima.
Pri
mero, buscamos el nivel de prioridad ms alto que no haya sido compl

tamente realizado, examinando los valores (Zj - Cj) en la columna deconstantes.
Cuando el nivel de prioridad est determinado, proceder^
mos a identificar la^, columna de variables que tenga el valor (Zj-Cj)ms positivo. La variable en esa columna entrar en la solucin base
en la siguiente iteracin.
Si existe un empate entre los valores mas
positivos en (Zj - Cj) en el nivel de prioridad ms alto, hay que che_

car el siguiente nivel de prioridad mas alto y seleccionar la columna
que tenga el valor ms positivo en ese nivel de prioridad.
pate continua escoja una columna arbitrariamente.
Si el em-
La otra columna se_
ra escogida en las iteraciones subsiguientes.
3. DETERMINE LA VARIABLE DE SALIDA DE LA SOLUCION BASE

Este proceso es idntico al de encontrar el rengln clave.
Calcular-
el valor de la constante dividida entre el coeficiente .correspondiente de la columna ptima.

cociente positivo o cero.
Seleccione el rengln que tenga el mnimo La variable en ese rengln ser reemplaza-
da por la variable de la columna ptima en la siguiente iteracin. Si

existe un engate cuando las constantes son divididas entre los coeficientes, encuentre el rengln que tenga la variable con el factor deprioridad ms alto.
Este procedimiento capacita la realizacin de
las metas de ms alto orden primero y por lo tanto reduce el numero de iteraciones.
Primero, encuentre los nuevos valores de constantes y coeficientes en

el rengln clave dividiendo los valores antiguos entre el elemento pi_
vote (o interseccin de la columna ptima y rengln clave).
*-
Segundo, encuentre los nuevos valores para todos los otros renglones
usando el mismo procedimiento, de clculo que en el mtodo simplex de programacin lineal.
5. DETERMINE SI IA SOLUCION ES OPTIMA

Primero, analice el nivel de realizacin de cada meta checando el va
lor Zj para cada rengln de prioridad.
cero esta es la sol*uciSn ptima.
Si los valores Zj son todos-
Segundo, si existe un valor p5sit
vo de Zj, cs-smine ios coeficientes (Zj - Cj) para ese rengln.
Si -
hay un valor (Zj - Cj) positivo en el rengln, determine si hay un valor (Zj - Cj) negativo en el nivel de prioridad mas alto en la mis^
ma columna.
Si hay un valor (Zj - Cj) negativo en el nivel de prio-
ridad ms alto para el valor (Zj - Cj) positivo en el rengln de nteres, la solucin es ptima.
Tercero, si existe un valor (Zj - Cj)
positivo en un cierto nivel de prioridad y no hay un valor (Zj - Cj)

negativo a un nivel de prioridad ms alto en la misma columna, enton
ees la solucin no es ptima.
paso 2
y continuar.
Por lo tanto, hay que regresarse al -
La figura (3-1) ilustra el procedimiento solu-
cin simplex para problemas de programacin por metas.
Paso X
Formulacin
del
Hodelo
i ^
Pasq 2
Tabla
Hueva variable de
Entrada
Inicial
Paso 4
Paso 3
Variable de
Nueva Solucin
Bsica
Factible
Salida
Analice iareaiisciSo * tetas.
Parar
ttg. fe*
Bjeaplo 9 2.
Ahora paree apropiado
as eosplicado da progresa
cia por setas por el n$todo
a gcaarinar el caso de la # 2 coa ejeaplo # 1 y-
tiaada de discos que se prett

se resolv por el mcodo gjfifico
Mia
S.r.
V i
V u
&$ aededo fortaulado fai:
5Xj + 2 I 2 + dj
(3-4)
V T
A *
5,
-d.
+d.
*2
320
-d.
21
l ' X 2
-d,
X,
3 ' d 21' d l
<
+
d
2'
100
El problema involucra cuatro factores de prioridad y 10 variables, dos de decisin y ocho de desviacin.
Vamos a seguir los pasos del mtodo -
simples de programacin por metas descritos anteriormente.
1. OBTENGA LA TABLA INICIAL PARA EL PROBLEMA

La tabla (3-5) proporciona la tabla inicial para el problema.
Todas-
las variables de desviacin negativas estn en la solucin base i n i

cial, como supusimos la solucin inicial est en el origen.
La tabla
inicial indica que la segunda y la cuarta meta estn completamente al_

canzadas pero la primera y tercera no.
En el origen no hay horas de-
trabajo para los vendedores de tiesto completo y los de medio tiempo.

Por lo tanto, la segunda y cuarta metas, que se relacionan con el
tiempo extra de los vendedores, deben estar completamente alcanzadasen la solucin inicial.
dj
5500
Pl
dr
2P3
-2
800
P3
dS
320
d:,
rvf
P3
Ct
d~2
P4
dj 1
df
-1
1
1
-l
-1
-3
P3
1920
_2
-1
P2
P.
5500
dh
-1
1
100
-]
1
1
<
&4
-1
5
SSLA 0-5)
-1
2. DETERMINE U
NUEVA VARIABLE SE ANTEADA
A travs de un examen de los valores (Zj - Cj) en e l nivel P^, es aparente que la colunia X^ E T la columaa ptima, GOW
tiene e l va>
lor ms positivo
3. DETERMINE LA VARIABLE DE SALIDA, DE LA SQIUCGN BASE

DespuSs de que se deteraEiS la collona ptima, el rengln clave debe
ser identificado encontrando el rengln con el mnimo valor cuando las constantes son divididas ettee fos coeficientes de la columna
tima.
En la tabla (3-5), e l ragln d 2
lo tanto en la siguiente tabla, d 2
es el rengln clave.
Por -
ser reemplazada por X e s la so
locin base.
4 &?HKXim LA SUEVA SOLUCION EACtIBLE BASICA

La tabla revisad* es presatada e s l a tabla (3-6). Es fcil derivarlos oseros valores del rengloa iH&ye (A^*} como las valores anteriores soft divididos per? el elemento pivote y este es la unidad (1).
Es an ms fcil derivar los nuevos valores en lo renglones d^
y-
d ^ ^ i y a que permanecen iguales que loe valores anteriores debido a que haba ceros en las iotersecclones con la coluama X^.
rengln donde algunos clculos son requeridos es
un coeficiente (5) en la columna ptima X,,
El nico -
porque existe -
P.
N"
X)
800
320
DI,
100
P.
P3
320
P:
P,
1500
2PS Pj
d]
d~: ds
-i
1500
XI
X2
P,
dj dj
-1
1
1
PA
JP4
dt
-1
-1
3
-1
-1
TABLA
d21
-1
-1
P2
-1
(3-6)
5. DETERMINE SI LA SOLUCION ES OPTIMA

A travs de un anlisis de la realizacin de las metas (valores Zj)en la columna de constantes en la tabla (3-6), es evidente que an no es la solucin ptima.
Entonces se deben repetir
los pasos dos-
ai cinco.
La tabla (3-7) presenta las restantes tablas de la solucin simplexdel problema.

La solucin ptima indica que las primeras tres metas estn complet
mente alcanzadas pero la cuarta meta (minimizacin del tiempo extrade los vendedores) no pudo ser alcanzada.
La solucin es, por lo
tanto X, = 900 ; X 9 = 500 ; d * - 100, y d, + - 180.
(
1
Pl
Ji
1000
X ,
900
320
I,
<li
100
P4
100
Fj
320
1000
1,
2P< f,
P,
d, d d
d'
3P.
J ',
!
1
sT
J.
200
* 1
1100
di
320
di
300
P<
NT
I
1 5
CD
1/5
1 5
1
1
1
1/5
300
2 5
1 5
1/5
Pj
320
P,
200
2 5
1/5
P,
3
!
1/5
72
1/5
972
320
3P,
1/5
2 5
1/5
X,
rT
2/5
2 S
J21
P2
2/5
'
1/5
2/5
1/5
2/5
1/5
172
1 5
- !
2/5
-l/S
1/5
-1
2/5
1 S
13 5
1/5
2/5
1/2
172
Pj
P;
72
1/5
P,
di
180
*i
900
*2
500
a;
100
pa
640
Pj
p2
0
0
p.
1/2
2 S
5/2
1/:
<;
5 2
15/2
2/5
S 2
1
13 2
1/2
3/2
3/2
13/2
1
1
TABLA (3-7)
Ejemplo # 3.
Vamos a resolver ahora un problema ms complejo de programacin por metas con tres variables de decisin, 16 de desviacin y cinco factor deprioridad preferenciales.
Una compaa fabricante de computadoras, produce tres diferentes tiposde estas: Alfa, Beta y Gamma.
La produccin de una computadora Alfa re
quiere de cinco horas en la lnea de ensamble, una Beta requiere de o

cho horas y una Gamma requiere de 12 horas.
La capacidad de operacin-
normal de la lnea de ensamble es de 170 horas al mes.
Los departamen-
tos de mercadotecnia y contabilidad han estimado que las utilidades por

unidad para los tres tipos de computadoras son $ 100,000 para la Alfa,$ 144,000 para la Beta y $ 252,000 para la Gamma.
El departamento de -
mercadotecnia tambin reporta que la demanda es tal que la firma puedeesperar vender todas las computadoras que sean producidas en el mes.
El presidente de la firma ha establecido las siguientes metas de acuerdo a su importancia:

1.- Evitar la baja utilizacin de la capacidad en horas de operacin de
la lnea de ensamble.
2.- Satisfacer la demanda de un distrito de ventas para cinco computado^
ras Alfa, cinco Beta y ocho Gammas (deben ser asignados pesos diferenciales de acuerdo a los mrgenes de utilidad neta entre los tres
tipos de computadoras).
3.-
Limitar el tiempo extra de la lnea de ensamble a 20 horas.
4.- Satisfacer la neta de ventas para cada tipo de computadora: Alfa, 10; Beta, 12 y Gamma, 10 (nuevamente se deben asignar pesos de a--
cuerdo al margen de utilidad relativa de cada computadora).
5.- Minimizar el tiempo extra total de la lnea de ensamble.

Basados en el problema establecido, se pueden formular las siguientes restricciones:
I) CAPACIDAD DE OPERACION NORMAL DE LA LINEA DE ENSAMBLE

La capacidad de operacin normal de la lnea de ensamble para el meses de 170 horas.
putadoras.
Con esta capacidad, la firma produce tres tipos de com
Las horas de operacin total requeridas para producir las
computadoras ser simplemente una funcin del ritmo de produccin (en n

mero de horas) para una unidad de cada tipo de computadora.
As que po-
demos formular la capacidad normal de operacin de la lnea de ensamblecono:

(3-5)
52 x +
+ 12X 3 + d ~
- d*
donde:
X^ numero de computadoras Alfa
X. = nmero de computadoras Beta
170
X^ = numero de computadoras Gamma

d^ = baja utilizacin de la operacin normal en horas de la lnea de ensamble
d* = tiempo extra de la lnea de ensamble
II) R E S T R I C C I O N E S D E
VENTAS
Primero la firma tiene que cumplir unas ordenes con un distrito de ventas como sigue:
(3-5A)
2 ~
4~ ~
4+
De aqu en delante, se supone que se pueden definir las variables sin necesidad de escribir su significado mas abajo.
La firma tambin tiene
las metas de ventas para el mes, las cuales son:
C3-5B)
Xj + d 5 ~ - d 5 +
10
X2 + d6~ - d 6 +
12
X3 + d?" - d ? +
10
III) TIEMPO E X T R A D E L A L I N E A D E
ENSAMBLE
Ya se ha mencionado que frecuentemente, tenemos que introducir nuevas

restricciones con el fin de definir variables de desviacin que debemos-
de minimizar para alcanzar ciertas metas. El presidente limito el tiempo extra de la lnea de ensamble a 20 horas. Como no tenemos una variable de desviacin a minimizar con el fin de realizar esta meta, vamos a
introducir la siguiente restriccin:
(3-5 c)
d|
d^
dx~
20
donde:
d^
= la diferencia entre el tiempo extra real de la lnea de

ensamble y las 20 horas admitidas de tiempo extra
= tiempo extra de la planta en exceso de 20 horas
Ahora, este problema puede ser formulado como un modelo de programacin

por metas:
Min.
Z = Pjd~ + 20P 2 d~ + 18P 2 d~ + 21P 2 d~
S.r.
+ P ^ j
+ 20P 4 d~ + 18P4d~ +
+
+ 21P,d, + P c d.
5 1
4 /
5X
(3-5D)
8X
12X
"dl
"
- 4
X2
+d74
X.
3
X,
1
-d
'd5
+d
-dl
X3
d'11
"
+ d
"1
-d,
U
11
+ ,+ .+ .+ ,+ ,+ , +
X
,X
2' 3
,d
l 2
,d
,d
,d
,d
10
12
10
20
-d
4
++dZ
d
X,
170
6' 7
,d
ll' l
,d
,d
3' 4
,d
5' 6
,d
>d
ll
En la funcin objetivo del modlo anterior asignamos pesos diferencia

les a los factores de prioridad segundo y cuarto.
Recordemos que el
criterio usado para asignar los pesos fu el margen de utilidad relativa para los tres tipos de computadora.
Aqu, hacemos la suposicin de-
que el costo de operacin de la lnea de ensamble es proporcional a - cual computadora se est produciendo en la lnea.
La utilidad marginal
neta, por lo tanto, ser simplemente determinada dividiendo la utilidad

entre las hojas de operacin requeridas para producir cada tipo de computadora.
Para la Alfa, la utilidad es $ 100,000 por unidad y esta re-
quiere de 5 horas de operacin en la lnea de ensamble.
Entonces, la -
utilidad por hora de la lnea de ensamble para la Alfa es $ 20,000. - Similarmente, las utilidades por hora de la lnea de ensamble para la Beta y Gamma ser de $ 18,000 y $ 21,000 respectivamente.
Los pesos di_
ferenciales estn basados en esto.
Se presentan las tablas inicial y final (3-8) y (3-9) del mtodo simplex
**
para la solucin de este problema.
En la tabla final selucion 'tabla
(3-9) se puede ver que las primeras tres metas fueron totalmente alcanzadas, mientras que las ultimas dos no.
La solucin es por lo tantot
T
1
P,
C /
Pl
20P2
18P2
21P;
20P4
d?
dj
d,
di
170
d?
|8P4 d;
21P4 d7"
di,
P4
12
dj
d]
10
dt
di
0
20
18
:i
21
12
-20 -18
21
170
20 -18
P,
d\
-1
Pi
a;
-l
I
18
d6
-1
\
20
x2
1/3
39/4
XS
d~
dj
<G
d3
de
dj
20
P4
154
P3
P2
p,
0
0
dJi dt
d
5/8
d^
dt
ds
d7
dfj
3/2
- 1
1
3/2
--1/12
-5/12
312
1/8 5/8
1/8 -5/8 -1 -3/2
1
-5/8
1
1
-1
-2 3
-1
1/12
20
p5
Pj
Ps
3/2
-2/3
47/8
y/8
d2
21
(3-8)
20P7 ]8P: 2P2 20P4 I8P4 2IP4
1/8 -5/8
1
49/8
I8P4
di,
t
1
20
df
-1
1
10
-1
1
c,
:op4
df
-1
358
x.
d-
-1
TABLA
21P4
d? dj, df
12
626
Ps
Ps
0)
P3
P
x3
Ps
.
X2
20P2 18P2 2P2 2OP4 i8P4 2IP4
12
1.12
-1
-3/2
3/2
1
-1
-1
-1
-9/4 -35/4
13
7/4
- 6
-20 -18 -21
74
-1
- 2 0
-18 -21
-1
TABLA
(3-9)
ALGUNAS COMPLICACIONES Y SU RESOLUCION
Hay algunas complicaciones que a menudo surgen en los problemas de programacin por metas.
Ellas se discutirn en seguida:
1.- CONSTANTES NO POSITIVAS

Para explicar el problema de constantes del lado derecho no positivas, vamos a considerar la restriccin que se muestra en seguida:
(3-6)
-5X X -
+ d* - d*
-25
En la tabla inicial del mtodo simplex de programacin por metas, se supone que la solucin es en el origen.
Por lo tanto, la varia-
ble de desviacin d^ tomar un valor de -25.
Sin embargo, el meto-
do simplex requiere la condicin de variables no negativas (X^; d^,

d^ - 0); entonces, d^ = -25 no est permitido.
Con el fin de faci-
litar la solucin inicial podemos multiplicar ambos lados por (-1).

La restriccin de la meta pasa a ser:
(3-7)
5X x + ^
+ d* -
25
Si la meta es alcanzar exactamente -25, de la restriccin original

esto puede ser fcilmente alcanzado minimizando ambas d^ y d* al mismo nivel de prioridad.
Sin embargo, si la meta es hacer que la
restriccin produzca -25 o mas, d^ debe ser minimizada en (3-6) pe

ro en la restriccin de la meta revisada (3-7), d^ debe ser minimi
zada para derivar el mismo efecto.
Similarmente suponiendo un va-
lor de -25 a menos de la restriccin, d^ debe ser minimizada en (3-6) y dj debe ser minimizada en la ecuacin revisada (3-7).
EMPATE PARA LA VARIABLE DE ENTRADA

En cualquier problema de programacin por metas puede fcilmente su
ceder durante las iteraciones que dos o mas columnas tengan exactamente el mismo valor (Zj - Cj) positivo en el mas alto nivel de metas no alcanzadas.
Como se explico antes cuando suceda esto, la de_
terminacin de la columna ptima y consecuentemente de la variablede entrada esta basada en los valores (Zj - Cj) en los niveles de prioridad ms bajos.
Si el empate aun as no puede ser roto, la se^
leccin entre las variables contendientes debe ser hecha arbitraria^

mente.
La otra variable generalmente ser introducida dentro de la
solucin base en las iteraciones subsiguientes.
EMPATE PARA LA VARIABLE DE SALIDA

Para determinar la variable que saldr de la solucin base, las con
tantes deben ser divididas entre los coeficientes de la columna ptima y debemos determinar entonces el rengln con el mnimo cociente positivo.
Si hay dos o ms renglones eon idnticos cocientes m
nimos positivos, surge el problema de degeneracin.
La resolucin-
de el problema de degeneracin debe ser decidida determinando que rengln tiene la variable con factor de prioridad ms alto.
Seleccionando la variable con el factor de prioridad ms alto comola variable de salida, el proceso de solucin puede ser acortado co_
mo las metas de ms alta prioridad sern alcanzadas mas rpidamente.
7b
SOLUCION ILIMITADA
Es posible que debido a una estructura de prioridades no realista del que toma las decisiones o por falta de restricciones, el p roble
ma puede admitir que una o ms variables se incrementen sin ningnlmite.
En la mayora de los problemas reales, sin embargo, esta -
situacin raramente ocurre, como las metas tienden a ponerse ms
altas que niveles fcilmente alcanzables dentro del medio ambientede decisin existente.
La solucin ilimitada si es que ocurre, tam
bien proporciona algn dicernimiento en analizar la estructura de metas del que toma las decisiones.
Es frecuente el caso de que restricciones importantes sean omitidas

en el problema cuando es obtenida una solucin ilimitada.
- SOLUCIONES OPTIMAS ALTERNATIVAS

Es posible que dos o ms puntos proporcionen soluciones ptimas quealcancen exactamente el mismo nivel de metas.
Esto no debe ocurrir-
si es que se respeta lo siguiente: (1) Que haya solamente una variable de desviacin simple (meta simple) en cada nivel de prioridad
preferencial y (2) que sean asignados pesos diferenciales entre lassubmetas al mismo nivel de prioridad cuando hay mas de una meta simple en cada nivel de prioridad.
Para ilustrar este punto,
examine-
/
mos el caso de la tienda de discos que se discuti como ejemplo # 2en este captulo.
Suponiendo que el gerente ha alterado su estructu
ra de prioridades de tal manera que el modelo es formulado como s i
gue:
Min.
Z = P x d- + P 2 d 2 + + 2P 3 d2 + P 3 d 3 + P^d* + P^d*
S.r.
5X t + 2X 2 + d~
Xx
-d+
+d~
(3-8)
-d 2
_
X2
+
-d 3
+d 3
d7
1
21 + +dt
2
X 1 ,X 2 ,d 1 ,d 2 , d 3 ,d 2 1-,d 1 ,d 2 ,d/3 M
' o21
-d21
07
"
5,500
800
320
100
La funcin objetivo de el modelo indica que el gerente no asign-pesos di_

ferenciales en la minimizacin del tiempo extra entre los vendedores de tiempo completo y medio tiempo.
La solucin grfica del problema es pre-
sentada en la figura (3-2).
Las primeras tres metas pueden ser completamente alcanzadas en cualquierpunto A o B o cualquier punto en la lnea recta que une a A y B, pero lacuarta meta no puede ser realizada, debido a que la suma del tiempo extra
no puede ser eliminado completamente.
La solucin ptima alternativa po-
dra ser evitada si el gerente de la tienda de discos asignara pesos dif

rndales en la minimizacin del tiempo extra de acuerdo con los costos de oportunidad involucrados.
Fig. 3-2
C A P I T U L O # IV
UN M O D E L O DE PROGRAMACION POR METAS PARA DISTRIBUCION

RECURSOS
DE
ACADEMICOS
Introduccin
La aproximacin de programacin por metas parece ser una de las t c n i
cas mas apropiadas en el desarrollo de un modelo para alcanzar metas
mltiples, competitivas y a menudo conflictivas con diferentes priorida_

des.
Este es el propsito de este captulo, y de esta tesis, presentar
un modelo de programacin por metas para una distribucin ptima de recursos en instituciones de alto aprendizaje (o de educacin superior).No obstante que es posible formular un modelo para un perodo de tiempo
mltiple bastante complejo que sirva para el propsito de planeacin alargo plazo para una universidad entera, el enfoque de este estudio est limitado a la planeacin de una facultad dentro de la universidad. Mas aun el tiempo de planeacin bajo consideracin est limitado a un ao.
Este enfoque limitado admite una clara presentacin del desarro
lio de la metodologa del modelo, y de la aplicacin potencial de esteestudio.
Una vez que el modelo bsico est completo para un ao, este-
puede ser extendido (no obstante que no es una tarea simple) para un
tiempo mayor pronosticando cambios de los parmetros.
El Modelo General
Ser introducido primeramente un modelo general de planeacin para distribucin de recursos de una facultad.
En el punto siguiente se aplica_
ra el modelo en un ejemplo numrico.
Para el desarrollo del modelo
de
programacin por metas, se deben examinar las siguientes variables, cons_

tantes y restricciones:
VARIABLES
= Nmero de asistentes investigadores graduados
X 2 = Nmero de asistentes de saestros graduados

X
*9
Y
= Nmero de instructores
= Nmero de profesores asistentes sin grado
= Nmero de profesores asociados sin grado
Nmero de profesores de tiempo completo sin grado
= Nmero de profesores de medio tiempo sin grado
= Nmero de profesores especiales sin grado
= Nmero de personal administrativo
= Nmero de profesores asistentes con grado
- Nmero de profesores asociados con grado
= Nmero de profesores de tiempo completo con grado
= Nmero de profesores de medio tiempo con grado
- Nmero de profesores especiales con grado
= Incremento total de la nmina del ano anterior, c
ment salarial de profesores, administrativos y asistentes graduados.
CONSTANTES
a^
Porcentaje del personal acadmico que est clasificado como profesores de tiempo completo.
Porcentaje del personal acadmico a nivel licenciatura con grado.
a^
Porcentaje del personal acadmico a nivel graduados con grado.
a^ = Numero estimado de horas crdito de estudiantes de licenciatura re^

queridas por sesin.
a^ = Numero estimado de horas crdito de estudiantes de graduados requ
ridas por sesin.
a^ * Proporcin deseada profesor/estudiante de licenciatura.
h-j - Proporcin deseada profesor/estudiante de graduados
ao
o
Proporcin deseada profesor/personal administrativo,
a^ - Proporcin deseada profesor/asistente investigador graduado,

b^
Nmero de estudiantes esperados de licenciatura para el prximo ao escolar.
b^
= Numero de estudiantes esperados de graduados para el prximo anoescolar.
b, = Porcentaje de incremento salarial deseado para asistentes gradalo

dos.
b^
= Porcentaje de incremento salarial deseado para profesores.
b^g = Porcentaje de incremento salarial deseado para personal adminis

trativo.
Cargas de enseanza mximas, proporcin deseada de cada tipo de profeso^

res y salario promedio definidos como:
CARGAS DE ENSEANZA
Variable
Proporcin
X3
Licenciatura
Graduados
Salario
'i
'2
c3
b3
b'3
1
s2
'4
'5
*6
'7
'8
7
S,
*9
Y
*9
10
10
' 10
'n
12
12
'l2
13
13
'l3
Restricciones
A. Acreditacin
1.- Un cierto porcentaje del personal acadmico deben ser profesores
de tiempo completo.
6
3
( E X. + X. + l
i-3 1
*
i=l
(4-1)
8
5
Yi + Y s ) / ( E Xi + 2 Yi)
i=2
i-1
>
-
donde se supone que el denominador es positivo en todas las restricciones .
2. Un porcentaje dado de profesores disponibles para licenciatura v obli_

gaciones o actividades de enseanza en graduados son usualmente reque_
ridos para poseer grado.
Si suponemos para este modelo que de
Xy y de Yj a Y^ estn disponibles para ensear asignaturas de l i c e n ciatura, y Xg y de Y^ a Y^ estn disponibles para responsabilidades de enseanza en graduados, podemos escribir:
3
Z Yi /( E X i + E Yi)
i=l
i-2
i-1
a9
a,
(4-2)
5
Yi /( X Q +
Yi)
3. Hay usualmente un numero mximo de horas crdito estudiante por se

sion (para ambos, licenciatura y graduados) que un profesor debe ensear.
No es necesario formular una restriccin separada para este re-
querimiento como este es fcilmente incorporable dentro de restricci

nes siguientes seleccionando tamaos de clase deseados y cargas de
enseanza.
B. NUMERO TOTAL DE PERSONAL ACADEMICO

Uno de los ms importantes factores para determinar los requerimien
tos de personal acadmico es el numero estimado de horas crdito estudiante (para ambos,
por sesin*
licenciatura y graduados) que se necesitan
Con esta informacin mas las cargas maximas de ensean-
za deseadas de los profesores, los requerimientos de personal acadmico pueden ser determinados.
Z bi Xi +
i-2
Z bi + 8 Yi
il
2 bi Xi +
i2
5
t
l bi + 8 Yi
il
a,
*
(licenciatura)
a5
(graduados)
(4-3)
Otro aspecto a ser considerado en la determinacin de los r e q u e r i mientos de personal acadmico es la proporcin deseada profesor/estu
diante.
l Xi +
i*2
(4-4)
l Yi)/bu
il
Js
(X g +
Yi)/ b 1 5
>
-
>
-
a6
a7
(licenciatura)
(graduados)
C. DISTRIBUCION DEL PERSONAL ACADEMICO

Es necesario imponer algunas restricciones en la distribucin del
personal acadmico.
Si no hubiera restricciones, el modelo llamara
por el personal acadmico en trminos de cargas de enseanza, s a l a

rio y acreditacin, por ejemplo, los profesores asistentes con grado
y los instructores.
En. este modelo, supondremos que la facultad de-
sea minimiza^ el nmero de personal acadmico sin grado y maximizar-
aquellos con grado.

8
TT
i-2
Ci T
<
TT
Xx
i*2
r
T
12
(4-5)
tt
i=l
Ci T
C13t
>
-
T Yi
i-1
Y5
donde tt representa producto de los trminos indicado y T representa:

8
5
Z Xi + Yi
i-2
i-1
D. NUMERO DE PERSONAL ADMINISTRATIVO

Debido a la gran cantidad de trabajos de mecanografa requeridos por
el personal acadmico, es imperativo, si se quieren evitar resagos y
cuellos de botella^que un personal administrativo adecuado sea p r o
/
porcionado.
Este objetivo puede ser incorporado en el modelo d i s e
nando una restriccin que refleje una proporcin deseada profesor/

personal administrativo.
(4
"6)
8
5
2 Xi + 2 Yi) / X Q
y
i-2
i-1
aft
E. NUMERO DE ASISTENTES INVESTIGADORES GRADUADOS

Para proporcionar el soporte adecuado en lo que respecta a invest
gacin para el personal acadmico, es deseado asignar asistentes in-
vestigadores graduados a los profesores.

Esto puede ser manejado introduciendo una restriccin para la propor_
cion deseada profesores/asistentes investigadores graduados.
(4-7)
2 Xi +
i-3
2 Yi) / Xi
i1
aQ
y
F. INCREMENTO SALARIAL
Para mantener un personal adecuado, es necesario proporcionar aumentos salariales peridicos.
La restriccin para el incremento n o m i
nal es:
2
b
16< S l
7
Xi)
il
(S
17
2X3
= Si
i=3
i+1
Si
i3
(4-8)
+
18
G. LA NOMINA TOTAL PRESUPUESTADA

El incremento en los salarios del personal representa solamente una faceta del presupuesto entero.
La nmina total presupuestada es una-
preocupacin mayor en una situacin donde estn involucrados recursos

limitados.
Sl
(4-9)
l
i=1
La restriccin para la nmina total puede ser expresada:
Xi + S 2 X 3 +
E
i=3
Si X . + 1 +
1
Si Y.
i=3
donde p representa la nmina total presupuestada.
+ SgY
+ w = p
FUNCION OBJETIVO
La funcin objetivo es minimizar desviaciones, ya sean negativas o posi_
tivas de un conjunto de metas con ciertos factores de prioridad p r e f e
renciales asignados por el director de la facultad de acuerdo con polticas universitarias, condiciones existentes y su juicio.
UN EJEMPLO NUMERICO
Un ejemplo numrico simplificado se presentara para demostrar la aplica_
cin del modelo general.
Supongamos que el Director de una Facultad de
Administracin en una universidad proporciona la siguiente estructura de prioridades para netas acadmicas ademas de informacin sobre c o n s
tan tes.
A. ESTRUCTURA DE PRIORIDADES
P^ = Mantener los requerimientos necesarios para acreditacin b a s a
dos en las regulaciones de acreditacin y las polticas acadmi^
cas del director.
~ Asegurar incrementos de salario adecuados para el personal acadmico, asistentes graduados y personal administrativo general.
P^ = Asegurar un numero adecuado de profesores cumpliendo con las
proporciones deseadas de profesores/estudiantes y teniendo instruccin disponible para las horas crdito necesarias de los es_
tudiantes.
Los requerimientos de profesores/estudiantes para -
graduados son considerados doblemente importantes que los reque_

rimientos para licenciatura (hay que asignar diferentes pesos en el nivel P^ en la funcin objetivo).
P^ = Alcanzar una distribucin deseable del personal acadmico con respecto a categora
(rango).
P^ = Mantener una proporcin deseada profesor/personal administrativo.

P^ - Mantener una proporcin deseada profesor/asistente investigadorgraduado .
Py = Minimizar costos
Cargas de Enseanza, Salarios Promedio, Proporciones deseadas del Personal total.
Cargas de Enseanza
Variable
Licenciatura
Proporcin Deseada
Graduados
Maxima
Mnima
Salario
3,000.00
X2
7%
3,000.00
X3
12
8,000.00
15
13,000.00
15,000.00
17,000.00
2,000.00
1%
21
13,000.00
14
15,000.00
23
17,000.00
30,000.00
4,000.00
2,000.00
30,000.00
B.
RESTRICCIONES
1. Restricciones para Acreditacin

Se requiere que el 75% del personal acadmico sean profesores de tiempo completo de acuerdo a las regulaciones de acreditacin y las
polticas acadmicas del director.
Como en el modelo X^ a X^, Xg,
Yj a Y^, Y^ son considerados de tiempo completo, podemos escribir:
(4-10)
6
3
8
5
Z Xi + X Q + Z Yi + Y. - 0.75 ( E Xi + Z Yi) + d, - d.
-_-)
O
i
J
-i
i
1
1=3
il
i*l
i=l
Tambin es requerido que al menos el 40% del personal acadmico queensea a nivel licenciatura tenga grado.
5
(4-11)
Z Yi - 0.40 ( Z Xi + Z
i-1
i=2
i1
Esto es expresado como:
Yi) + d
+
- d
Tambin es requerido que al menos el 75% del personal acadmico queensea a nivel graduados tenga grado.
5
(4-12)
Esto es expresado como:

+
Z Yi - 0.75 (XR + I Yi) + d. - d,

i-1
i-1
2. Restricciones para nmero de personal acadmico

Para determinar los requerimientos de personal acadmico, es necesario pronosticar el numero total de horas crdito estudiante de instruccin que se necesita.
En este ejemplo el nmero de estudiantes
esperado es 1,820, el nmero promedio de horas crdito/estudiante llevados en la facultad es 10, y el tamao de clase deseado es pues
to en 20.
"Por lo tanto, por medio de la siguiente formula pueden -
ser calculadas 910 horas crdito estudiante totales.
Numero de estudiantes \
esperado
(4-13)
/ Nmero de horas cr-N

\
dito/estudiante
/ 'Tamao de clase
j /
deseado
6X 2 + 12)^ + 9X 4 + 6X 6 + 3X ? + 6Y : + 6Y 2 + 3Y 3 + d~ - d*
* 910
Para las horas crfidito/estudiante de instruccin para graduados, sepronosticaron 100 horas por sesin.
El procedimiento es similar al-
pronostico de licenciatura y la restriccin viene a ser:

(4-14)
3Xg + 3YX + 3Y 2 + 3Y 3 + 3Y^ + 3Y 5 + d^ - d*
100
El siguiente aspecto a ser considerado en la determinacin del perso_

nal acadmico requerido es la proposicin deseada profesor/estudiante a ambos niveles, licenciatura y graduados.
Los pronsticos de nu
mero esperado de estudiantes son 1820 para licenciatura y 100 para graduados.
La proporcin deseada profesor/estudiante para licencia-
tura es 1/20 y la proporcin deseada profesor/estudiante para grada

dos es 1/10.
7
(4-15)
Esas
3
restricciones vienen
-
ser para licenciatura.
Z Xi + Z Yi + d, - dT - (0.05) (1820)
6
6
i-2
i-1
y para graduados
8
_
.
(4-16)
X,, + Z Yi + d 7 - di
i-1
(0.10) (100)
10
91
3. Restricciones para la Distribucin del Personal Acadmico

Es necesario imponer algunas restricciones en la distribucin del
personal acadmico de acuerdo a la proporcin deseada del personal acadmico total para cada tipo de personal.
<
0.Q7T - x 2 + d X
Q.15T -
II
0.07T -
"
=
0.23T - Y 3 + d x ;
0.02T -
0.05T - x 5 +
0.02T -
0.21T -
0.14T -
ll
l"2
*8
0,01T - x 7 +
0.01T -
'
13
donde
8
T - Z
i-2
Xi +
5
Z Ti
il
Con el fin de asegurar personal administrativo adecuado para el trabajo administrativo y de oficina, la proporcin deseada profesor/per.
sonal administrativo es puesta a 4 por 1
por el director.
triccin es entonces:
C4-18)
"
4X
20 ' d 20
La r e s
4. Nmero de Asistentes Investigadores Graduados

Se fijo la proporcin deseada profesor/asistente investigador grada
do a 5 por 1.
8
Entonces la restriccin es:
(4-19) E X i +
i=3
l Ti - 5X. + d_. - d,t
il
5. Costo del Personal Acadmico, Asistentes Graduados y Personal Adminis_

trativo.
La restriccin para el incremento salarial total puede ser expresadacorno:
0.06 (3,000
2
l Xi) + 0.08 (8,000 X,, + 13,000 X.
3
4
i*l
(4-20)
+ 15,000 X 5 + 17,000 X 6 + 2,000 X ? + 30,000 X g
3,000
+ 15,000 Y 2 + 17,000
+ 2,000 Y^
+ 30,000 Y 5 ) + 0.06 (4,000 3^) - w + d ^ - d ^
donde hay un 6% de incremento para estudiantes graduados y personal administrativo y un 8% de incremento para personal acadmieo.
La restriccin para la nmina total de la facultad completa ser:
(4-21)
3,000 x x + 3,000 ^
+ 8,000 X 3 + 13,000 X^ + 5,000 X 5
+ 17,000 X^ + 2,000 X 7 + 30000 Xg + 13,000

+ 17,000 Y 3 + 2,000 Y 4 + 30,000 Y 5 +
+ 15,000 Y 2
4,000 X9 + w + d ^ - d ^ - 0
C. Funcin Objetivo
3
Min. Z - Pj Z di + P 2 d 2 2
+ 2P 3 d~ +
13
+ P
(4-22)
V l 9
+ P
_
d I + P
\
1=8
P ^
20
17
+ P
di
. 1A
i=14
23
D, Solucin
La solucin a este modelo de programacin por metas fu la siguiente
Realizacin de Metas
Acreditacin
Alcanzada
Incremento Salarial
Proporciones profesores /estudiantes
Proporcin profeso res/personal administrativo
Distribucin del Personal
Acadmico
A
'
|t
Proporcin profesofes/asistentes graduados

Minimizar costo
$ 2;471,000
Variables
32
H
10
10
X 4 = 22
42
6
Y2 *
7'
w
$17,000
Xe"
20
Y 3 - 34
0
CONCLUSION:
La aproximacin de programacin por metas no es la ultima solucin paraproblemas de presupuestos y planeacin en una facultad.
Se requiere que
los administradores sean capaces de definir, cuantificar y ordenar sus objetivos.
El modelo de programacin por metas simplemente proporciona-
la mejor solucin bajo la estructura de prioridades y restricciones

das.
da
Por lo tanto, algunas cuestiones para investigar concernientes a -
la identificacin, definicin y clasificacin de metas todava se requie

ren.
Existe la necesidad de futuras investigaciones para desarrollar
una metodologa sistemtica para generar tal informacin.
B I B L I O G R A F I A
. INTRODUCTION TO OPERATIONS RESEARCH

HILLIER AND LIEBERMAN
. GOAL PROGRAMMING FOR DECISION ANALYSIS

SANG M. LEE
. PRINCIPLES OF OPERATIONS RESEARCH WITH APPLICATIONS TO

MANAGERIAL DECISIONES
WAGNER, H.
. CAPACITY MODELS OF UNIVERSITY MANAGEMENT

MENGES, G. AND ELSTERMANN, G.

Bayesiana

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bayesiana

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD AUTONOMA DE NUEVO LEON

FACULTAD DE INGENIERIA MECANICA Y ELECTRICA

DIVISION DE ESTUDIOS SUPERIORES

MAESTRIA EN CIENCIAS DE LA ADMINISTRACION

"UN MODELO DE PROGRAMACION POR METAS PARA

QUE PARA OBTENER EL GRADO DE

MAESTRIA EN CIENCIAS DE LA ADMINISTRACION

ING. EVELIO P. GONZALEZ FLORES

Ife-J U J K ".i l tem . =

UNIVERSIDAD AUTONOMA DE NUEVO LEON

DIVISION DE ESTUDIOS SUPERIORES

MAESTRIA EN CIENCIAS DE LA ADMINISTRACION

"UN MODELO DE PROGRAMACION POR METAS PARA

QUE PARA OBTENER EL GRADO DE

MAESTRIA EN CIENCIAS DE LA ADMINISTRACION

ING. EVELIO P. GONZALEZ FLORES

Fundamentos de Programacin por Metas - - -

Anlisis Matemtico de Programacin por MeLimitaciones de Programacin por Metas- - -

Areas de Aplicacin de Programacin por - Metas

CAPITULO II.- Formulacin del Modelo de Programacin por

Ejemplos de formulacin del Modelo y S o l u

Pasos a seguir para la formulacin del Mode_

CAPITULO III.- El Mtodo Simplex de Programacin por Metas

Pasos del ftodo Simplex de Programacin

Algunas complicaciones y su Resolucin- - -

Programacin por metas aparece como una tcnica apropiada, til y f i e

Diferente de otros anlisis numricos tradicio

nales, programacin por metas admite una solucin ordinal a sistemas de

El modelo presentado es una simple ilustracin en el cual, cada _

restriccin requiere sin duda un anlisis.profundo que bien podra ser_

Mas aun, las interacciones depar

tamentales, condiciones de frontera, preferencias propias de los admi

Se espera que este es

ANTECEDENTES DE PROGRAMACION POR METAS

Sin embargo George B. Dantzig es reconoci-

do como el padre de la Programacin Lineal.

Dantzig trabaj prime rameo,

te en la busqueda de tcnicas para resolver problemas logsticos de pa

Su investigacin fue fo_

mentada por otros estudiosos -que trabajaron en el mismo tema: J. Von

El nombre original dado a la tecni

ca fue "Programacin de Actividades interdependientes en tma estructura

Sin embargo el equipo de C. C h a m e s y W. W. Cooper, tiene

adjudicado el haber introducido y aplicado la tcnica a problemas indus

Ellos tienen publicados excelentes artculos as como libros-

El concepto de programacin por metas sur

gi primero como un resultado de problemas de programacin lineal sin -

Chantes y Cooper explican:

Bastante relacionado con el anlisis de contradicciones en problemas

Por ejemplo, tales metas pueden ser establecidas para pro-

porcionar incentivos o para juzgar mritos o ellas pueden ser usadas co

Cualquier restriccin incorporada en la funcin ser llamada una "meta".

Proporcionaremos el siguiente ejemplo para iniciarnos en Programacin por Metas.

La figura 1.1 representa el problema de decisin indicando restricciones

Las dos reas sombreadas indican regiones de traslape -

que pueden ser consideradas como areas de solucion factible en el sent

embargo como las dos areas sombreadas no se intersectan, no existe area

Entonces este problema no puede ser resuelto por

el procedimiento usual de programacin lineal.

Suponiendo que las dos primeras restricciones en (1.1) representan

cursos disponibles por ejemplo, capacidades de mquina, y las restric

funcin objetivo puede ser cambiada de maximizacion de utilidades a obtencin de metas.

Como se estableci antes, las metas no siempre se al

"El objetivo de la gerencia puede ser una aproximacin general