Tecnológico Nacional de

México.
Instituto Tecnológico
Superior P’urhépecha.
Ingeniería Industrial.

Investigación de Operaciones II.

Docente: Ing. Dionicio Tapia Bautista.

Unidad 1: Actividad 1.

“Investigación”
Alumno: Gaspar García Rodríguez.
A161017
Semestre 5.

Lázaro Cárdenas, Mich., a 15 de septiembre del 2018.

 INTRODUCCION
En esta ocasión se hablará de lo que es la programación de metas, esto
describiendo cada uno de los subtemas de la unidad para que sea mas entendible
de que lo que se trata este tema, poniendo ejemplos en cada subtema con claridad
en el desarrollo.
 MODELO GENERAL DE METAS.
Consiste en fijar los atributos que se consideran relevantes para el problema que se
está analizando. Una vez establecidos los atributos, se pasa a determinar el nivel
de aspiración que corresponde a cada atributo, es decir, el nivel de logro que el
centro decisor desea alcanzar. Seguidamente, se conecta el atributo con el nivel de
aspiración, por medio de la introducción de las variables de desviación negativa y
positiva, respectivamente. Lo primero que hay que hacer para crear un modelo en
la programación por metas, es fijar cuales son los atributos relevantes, entrando
aquí la subjetividad del centro decisor, es decir, la relevancia del atributo la
estipulará el centro decisor, lo cual hará que varíen de unos a otros en muchas
ocasiones. Una vez fijados los atributos, se determina cual es el nivel de aspiración
para cada uno. A continuación, se conectan el atributo y el nivel de aspiración,
introduciendo las variables de desviación, positivas o negativas, para el exceso o
para la falta (Jones y Tamiz, 2010). De esta forma, para el atributo i-ésimo, la meta
se transforma en la siguiente ecuación:
fi(x) + ni – pi = ti
Donde, fi(x) representa la expresión matemática del atributo i-ésimo, ti su nivel de
aspiración, ni la variable de desviación negativa y pi la positiva. Estas dos últimas
como ya se ha mencionado anteriormente, representan la falta de logro en el caso
de la negativa, y el exceso de logro en el caso de la positiva.
Luego a la hora de operar matemáticamente con el modelo, siempre una de las dos
variables tiene que ser cero, porque si las dos son positivas la interpretación del
resultado sería que el nivel de aspiración se excede y se queda corto a la vez. En
este nuevo método, programación por metas, hay que introducir un nuevo concepto
que serán las variables de desviación no deseadas, lo que implica que al centro
decisor le interesa que esa variable sea el valor más bajo posible. Si el objetivo es
maximizar un atributo, la variable de desviación no deseada será la n, la negativa;
en cambio si el objetivo es minimizar el atributo, la variable de desviación no
deseada será la p, la positiva; y si el objetivo a alcanzar es el mismo que el nivel de
aspiración, p y n serán las dos no deseadas.
La forma del modelo de programación lineal sigue siendo la misma en programación
por meta, es decir, también se tiene una función objetivo que optimizar sujeta a una
o más restricciones. Sin embargo, dentro de este marco de referencia se agregarán
dos conceptos nuevos. El primero es el de las restricciones de meta en lugar de las
restricciones de recurso que se han analizado. El segundo concepto es el de rango
de prioridad entre las funciones de objetivo. Una vez que se establece un problema
en el formato del modelo general de programación lineal, para obtener la solución
puede aplicarse el MÉTODO SIMPLEX modificado solo para tomar en cuenta las
prioridades.
La programación por metas es un enfoque para tratar problemas de decisión
gerencial que comprenden metas múltiples o inconmensurables, de acuerdo a la
importancia que se les asigne a estas metas. El tomador de decisiones debe ser
capaz de establecer al menos una importancia ordinal, para clasificar estas metas.
Una ventaja importante de la programación meta es su flexibilidad en el sentido de
que permite al tomador de decisiones, experimentar con una multitud de variaciones
de las restricciones y de prioridades de las metas cuando se involucra con un
problema de decisión de objetivos múltiples.

DIFERENCIAS DE PROGRAMACIÓN DE METAS Y PROGRAMACIÓN LINEAL

También es conocida como programación por objetivos múltiples. Los que iniciaron
con la programación de metas fueron Charnes y Cooper a principios de la década
de 1960. La estructura y la utilización de la función objetivo es un factor clave en la
diferencia con la programación lineal. Se encuentra una solución de compromiso o
eficiente considerando la importancia de cada objetivo, se busca contemplar
objetivos múltiples que se establezcan como metas y se incorporen al conjunto de
restricciones.
Programación lineal. - La programación lineal es un conjunto de técnicas
racionales de análisis y de resolución de problemas que tiene por objeto ayudar a
los responsables en las decisiones sobre asuntos en los que interviene un gran
número de variables.
Tipo de Soluciones. - Los programas lineales con dos variables suelen clasificarse
atendiendo al tipo de solución que presentan. Éstos pueden ser:
Factibles: Si existe el conjunto de soluciones o valores que satisfacen las
restricciones. Estas a su vez pueden ser: con solución única, con solución múltiple
(si existe más de una solución) y con solución no acotada (cuando no existe límite
para la función objetivo).
No factibles: Cuando no existe el conjunto de soluciones que cumplen las
restricciones, es decir, cuando las restricciones son inconsistentes.
Métodos de solución
Existen tres métodos de solución de problemas de programación lineal:
Método gráfico: Las rectas de nivel dan los puntos del plano en los que la función
objetivo toma el mismo valor.
Método analítico: El siguiente resultado, denominado teorema fundamental de la
programación lineal, nos permite conocer otro método de solucionar un programa
con dos variables: “en un programa lineal con dos variables, si existe una solución
única que optimice la función objetivo, esta se encuentra en un punto extremo
(vértice) de la región factible acotada, nunca en el interior de dicha región. Si la
función objetivo toma el mismo valor óptimo en dos vértices, también toma idéntico
valor en los puntos del segmento que determinan. En el caso de que la región
factible no es acotada, la función lineal objetivo no alcanza necesariamente un valor
optimo concreto, pero, si lo hace este se encuentra en uno de los vértices de la
región”.
Esquema práctico: Los problemas de programación lineal puede presentarse en la
forma estándar, dando la función, objetivos y las restricciones, o bien plantearlos
mediante un enunciado.
Diferencias entre el simplex de programación de metas y el simplex normal.
El simplex normal tiene un solo renglón 0, mientras que el simplex de programación
de metas necesita n renglones 0, uno por cada meta.
En el simplex de programación de metas se emplea el método siguiente para la
variable de entrada: se encuentra la meta de máxima prioridad (la meta i’) que no
se haya alcanzado, o se encuentra la meta i' de máxima prioridad que tenga Zi
(Término de la función objetivo que incluye la meta i) > 0. Se calcula la variable con
el coeficiente más positivo en el renglón 0, meta i', y se anota esta variable en la
base, sujeta a la siguiente restricción. Con ello se reduce Zi y se asegura que esta
cerca el cumplimiento de la meta i'. Sin embargo, si una variable tiene un coeficiente
negativo en el renglón 0 asociado con una meta que tiene mayor prioridad que i', la
variable no puede entrar a la base. Introducir en la base esa variable aumentaría la
desviación con respecto a alguna meta de mayor prioridad. Si la variable con el
coeficiente más positivo en el renglón 0 (variable i') no puede entrar en la base,
intente encontrar otra variable con un coeficiente positivo en el renglón 0 (meta i').
Si ninguna variable del renglón 0 (meta i') puede entrar en la base, no hay manera
de acercarse al cumplimiento de la meta i' sin aumentar la desviación con respecto
a alguna meta de mayor prioridad. En este caso, se pasa al renglón 0 (meta i' + 1)
para tratar de satisfacer la meta i' + 1.
Cuando se lleva a cabo un pivoteo, se debe actualizar el renglón 0 para cada meta.
Una tabla dará la solución óptima si todas las metas se satisfacen (esto es, Z1 = Z2
=…. = Zn = 0), o si cada variable que puede entrar en la base y reducir el valor de
Z'i de una meta i' no satisfecha aumenta la desviación con respecto a una meta i
que tiene más prioridad que la meta i'.
Programación meta. -La formulación de un modelo de Programación Meta es similar
al modelo de P.L. El Primer paso es definir las variables de decisión, después se
deben de especificar todas las metas gerenciales en orden de prioridad. Así, una
característica de la Programación Meta es que proporciona solución para los
problemas de decisión que tengan metas múltiples, conflictivas e inconmensurables
arregladas de acuerdo con la estructura prioritaria de la administración.
La Programación Meta es capaz de manejar problemas de decisión con una sola
meta o con metas múltiples. En tales circunstancias, las metas establecidas por el
tomador de decisiones son logradas únicamente con el sacrificio de otras metas.
Las características que distinguen la programación Meta es que las metas se
satisfacen en una secuencia ordinal. Esto es, las metas que deben clasificarse en
orden de prioridad por el tomador de decisiones son satisfechas secuencialmente
por el algoritmo de solución. Las metas con prioridad baja se consideran solamente
después de que las metas de prioridad alta se han cumplido. La Programación meta
es un proceso de satisfacción, en el sentido de que el tomador de decisiones tratará
de alcanzar un nivel satisfactorio en vez del mejor resultado posible para un solo
objetivo.
En la programación Meta, en vez de intentar minimizar o maximizar la Función
Objetivo directamente, como en la programación lineal, se minimizan las
desviaciones entre las metas y los límites logrables dictados por el conjunto dado
de restricciones en los recursos. Estas variables de desviación, que se denominan
de "holgura" o "sobrantes" en programación lineal toman un nuevo significado en la
Programación Meta. Ellas se dividen en desviaciones positivas y negativas de cada
una de las submetas o metas. El objetivo se convierte entonces en la minimización
de estas desviaciones, dentro de la estructura prioritaria asignada a estas
desviaciones.

MODELOS DE UNA SOLA META.

Restricciones de meta
Por cada meta
Componentes en la F.O. (minimizar suma de desviaciones con respecto a las
metas)
Formulación
Restricciones Estructurales (no tienen que ver con las metas)
Las suposiciones básicas que caracterizan el modelo de programación lineal se
aplican igualmente al modelo de programación meta. La diferencia principal en la
estructura es que la programación meta no intenta minimizar o maximizar la función
objetivo como lo hace el modelo de programación lineal. En vez de ello, busca
minimizar las desviaciones entre las metas deseadas y los resultados reales de
acuerdo con las prioridades asignadas... El objetivo de un modelo de programación
meta es expresado en términos de las desviaciones de las metas a que se apunta.
Esto es las desviaciones de las metas se colocan en la función objetivo y deben
minimizarse. El modelo general de la programación meta puede expresarse
matemáticamente de la siguiente manera:
m
min Z = “wi (di+ + di-)
i=1
s.a.
n
"aijxj+di- - di+ = bi para toda i
j=1
xj, di-,di+" 0 para toda j
Donde:
w = Ponderación de las desviaciones con respecto a la meta.
di- = Desviación déficit
di+ = Desviación excedente.
Ejemplo: satisfacción de una sola meta.
Una división de Schwim Manufacturing Company produce dos tipos de bicicletas:
(1) una bicicleta de 3 velocidades y (2) una de 10 velocidades. La división obtiene
una utilidad de $25 en la bicicleta de 10 velocidades y $15 en la bicicleta de 3
velocidades. Debido a la fuerte demanda de estos artículos, durante el período de
planeación de verano la división cree que puede vender, a los precios que
prevalezcan, todas las unidades de estas dos bicicletas que produzca. Las
instalaciones de producción se consideran recursos escasos. Estos recursos
escasos corresponden al departamento de ensamblado y terminado. Los tiempos
unitarios de procesamiento y las capacidades de cada uno de los departamentos se
muestran en la tabla siguiente:
Horas. Requeridas para procesar cada bicicleta

Tipo de bicicleta En el Depto. de En el depto. de Contribución a la

ensamble terminación utilidad unitaria
3 velocidades 1 1 15

10 velocidades 3 1 25

Hrs. disponibles 60 40
en cada depto.

La división durante este período de planeación se enfrenta a cambios grandes de

organización y cree que el maximizar la utilidad no es un objetivo realista. Sin
embargo, desearía lograr un nivel satisfactorio de utilidad durante este período de
dificultad. La dirección cree que la utilidad diaria de $600 debería satisfacerse y
desea determinar, dadas las restricciones del tiempo de producción, la mezcla de
producto, que debería llevar a esta tasa de contribución a utilidades.
Formula un modelo de programación meta que satisfaga estos requerimientos
Definición de variables:
x1 = Número de bicicletas de 3 velocidades producidas por día
x2 = Número de bicicletas de 10 velocidades producidas por día
d1- = Cantidad por debajo de la utilidad perseguida
d1+ = cantidad por encima de la utilidad perseguida
Minimizar Z = d1- + d1+
s.a.
x1 +3x2 " 60 (horas de ensamble).
Restricciones estructurales
x1 + x2 " 40 (horas de terminación)
15x1 +25x2 +d1- - d1+ = 600 (Utilidad perseguida) Restricción meta
x1,x2,d1-,d1+ " 0
Nota: Puesto que tanto d1-,d1+ aparecen en la función objetivo y a ambas se les
asigna pesos iguales, esto indica que la administración desea lograr la utilidad meta
exactamente.

MODELOS DE METAS MÚLTIPLES

Considera la información que se presenta en la siguiente tabla:
Departamentos
Producto 1 2 3 4
1 .10 2.1 1 .3 415
2 .08 1.4 .7 .2 362
3 .05 1.1 .6 .15 216
4 .04 .9 .5 .1 68
Disp. 320 2400 800 450
Hrs/mes

El producto 2 no debe exceder 90 unidades al mes.

*Cada hora extra aumenta los costos en $20.00
Metas:
Alcanzar utilidades de por lo menos $350,000.00 al mes.
Maximizar la utilización de los 4 departamentos.
No producir más del 50% de la producción total en cualquiera de los 4 productos
(en unidades).
Limitar el número de horas extras en el departamento 2 a 300 Hrs. al mes.
Definición de variables:
xi = cantidad a producir del producto i mensualmente. i = 1, 2, 3,4.
F.O.
Min Z = d1- +d2- +d3- +d4- + d5- +d6+ +d7+ +d8+ +d9+ +d10+
s.a.
1) 415x1 +362x2 +216x3 + 68x4 -20d2+ - 20d3+ - 2 0d4+ - 20d5+ -d1 + + d1-
=350,000
2).10x1+.08x2+.05x3+.04x4 -d2+ + d2- = 320
2.1x1 +1.4x2 +1.1x3 +0.9x4 -d3+ + d3- = 2400
x1+.7x2+.6x3+.5x4 -d4+ +d4- = 800
.3x1 +.2x2 +.15x3 +.1x4 -d5+ +d5- = 450
3) x1-d6+ +d6- = .5(x1+x2+x3+x4) ! .5x1-.5x2-.5x3-.5x4 -d6+ +d6- = 0
-.5x1 +.5x2 -.5x3-.5x4 -d7+ +d7- = 0
-.5x1-.5x2+.5x3-.5x4 -d8+ +d8- = 0
-.5x1-.5x2-.5x3+.5x4 -d9+ +d9- = 0
4) d3+ -d10+ +d10- = 300
Restricciones estructurales:
x2" 90
xi" 0 para toda i
di+,di- " 0 para toda i.
 MODELOS DE SUBMETAS DENTRO DE UNA META.
En el ejemplo de la Schwim, la máxima utilidad alcanzada, tomando 60 horas de
tiempo de ensamble, 40 horas de tiempo de terminación y resolviendo como un
problema de programación lineal, es de $700.00. Debido a la reorganización de la
división se han considerado casos en donde la administración quedaría satisfecha
(al menos temporalmente) con un plan de producción que conduzca a una utilidad
más baja que $600.00.
Supongamos que la reorganización se ha llevado a cabo y que la administración
desea lograr una tasa de utilidad diaria de $750.00. Esto significaría que algunas
restricciones previas anexas deberían violarse. Sin embargo, supongamos que las
60 y 40 horas representan la capacidad de producción de los departamentos de
ensamble y terminación en tiempo normal solamente, utilizando la fuerza laboral
existente. El tiempo extra podría utilizarse en cualquier departamento; por tanto, las
desviaciones por encima como por debajo de las 40 y 60 horas serían factibles. La
tasa de pago de horas extras es 3 veces más alta que la del departamento de
ensamble. Las metas prioritarias de la administración, de mayor a menor
importancia, son las siguientes:
P1 = Lograr tasa diaria de utilidad perseguida de $750.00
P2 = Minimizar el tiempo ocioso en ambos departamentos.
P3 = Minimizar el tiempo extra en ambos departamentos
La formulación de la programación meta es:
Minimizar Z = P1 (d1- + d1+) + P2 (d2-+d3-) + 3P3d2+ + P3d3+
s. a.
15x1+25x2 +d1- -d1+ = 750 (Utilidad perseguida)
x1 +3x2 + d2- -d2+ = 60 (Horas de ensamble)
x1 +x2 +d3- -d3+ = 40 (Horas de terminación)
x1,x2,di-, di+ " 0 Para todo i

Nota: En este ejercicio se han asignado pesos diferentes (cardinales) o prioridades

dentro de una meta dada, como también prioridades diferentes (ordinales o
cardinales) a metas diferentes.
 MÉTODOS DE SOLUCIÓN
Si se supone el problema de planificar la producción de una papelera de propiedad
pública en la que existen dos posibles productos: pulpa celulosa obtenida por
medios químicos o pulpa celulosa obtenida por medios mecánicos. Se representará
por X1 y X2, respectivamente, las toneladas diarias de pulpa de celulosa obtenida
por los dos mencionados procedimientos. Las capacidades máximas de producción
se estiman en 300 y 200 toneladas/día para cada uno de los dos tipos de pasta de
celulosa. Cada tonelada de pasta de celulosa producida demanda un jornal. La
empresa dispone de una plantilla de 400 trabajadores, no deseando contratar mano
de obra eventual. El margen bruto (ingresos menos costos variables) por tonelada
de pasta de celulosa obtenida por medios químicos es de $1000, siendo de $3000
el que se obtiene a través de medios mecánicos Los costos fijos de la papelera se
estiman en 3300 unidades/día: la empresa desearía, al menos, cubrir los costos
fijos.
Las preferencias de la empresa se concentran en la maximización del margen bruto
(objetivo económico) y la minimización del daño generado en el río en el que la
papelera vierte sus residuos productivos (objetivo ambiental). Se estima que los
residuos producidos por cada tonelada de pasta de celulosa obtenida por medios
mecánicos y por medios químicos generan unas demandas de oxígeno en las aguas
del río de 1 y 2 unidades. A la vista de estos datos, la estructura matemática del
modelo multiobjetivo es la siguiente:
Se formulará el modelo como un modelo de programación por metas. Para ello, se
consideran los términos independientes no como cantidades rígidas que hay que
alcanzar para que la solución sea factible, sino como niveles de aspiración que el
centro decisor desea satisfacer en la medida de lo posible. Es decir, las restricciones
rígidas iniciales se convierten en metas o restricciones (blandas) que pueden
violarse sin que ello genere soluciones imposibles. Para desarrollar este ejercicio se
asocia al atributo demanda biológica de oxígeno un nivel de aspiración de 300
unidades, a los demás atributos se les asocia como nivel de aspiración el término
independiente de la correspondiente restricción rígida, excepto para el atributo
margen bruto, al que se le asocia un nivel de aspiración de 400 unidades. De esta
forma, se tiene la siguiente lista de metas:
G1: X1 + 2X2 + N1 - P1=300(demanda biológica de oxígeno)
G2:1000X1 + 3000X2 + N2 - P2=400(margen bruto)
G3: X1 + X2 + N3 - P3=400 (empleo)
G4: X1 + N4 - P4=300(capacidad de producción)
G5: X2 + N5 - P5=200(capacidad de producción)
Seguidamente, se pasa a determinar las variables de desviación no deseadas. Para
la meta G1 la variable de desviación no deseada sería la P1, pues obviamente se
desea alcanzar una demanda biológica de oxígeno lo más pequeña posible (de ser
posible menor de 300 unidades). Para la meta G2 la variable de desviación no
deseada será la N2, pues se desea alcanzar un margen bruto lo más grande posible
(de ser posible mayor de 400 u). Para la meta G3 se supone que al centro decisor
no le interesa ni quedarse corto con respecto al nivel de aspiración (mano de obra
ociosa), ni quedarse largo (contratación adicional de mano de obra), en tal caso,
tanto N3 como P3 son variables de desviación no deseadas, finalmente, el centro
decisor no desea superar sus capacidades de producción, lo que implicaría recurrir
a turnos extraordinarios, en consecuencia, las variables P4 y P5 son no deseadas.
Una vez determinadas las variables de desviación no deseadas, el paso siguiente
en la formulación de un modelo de programación por metas consiste en proceder a
la minimización de dichas variables. El proceso de minimización puede acometerse
de diferentes maneras. Puede decirse que cada una de estas maneras origina una
variante de la programación por metas. Seguidamente se pasa a exponer las
variantes más utilizadas.

USO DE SOFTWARE
La Programación por Metas (Goal Programming) fue inicialmente introducida por
Charnes y Cooper en los años 50. Desarrollada en los años 70 por Ljiri, Lee, Ignizio
y Romero, es actualmente uno de los enfoques multicriterio que más se utilizan.
En principio fue dirigida a resolver problemas industriales, sin embargo
posteriormente se ha extendido a muchos otros campos como la economía,
agricultura, recursos ambientales, recursos pesqueros, etc.
Resulta de gran interés, sobre todo, en problemas complejos de gran tamaño.
Estructura de un modelo de programación por metas
El primer paso en la formulación de un modelo de programación por metas es fijar
los objetivos/ atributos, f(x), que se consideran relevantes para el problema que
estemos analizando.
El segundo paso es determinar el nivel de aspiración, t, que corresponde a cada
atributo, siendo éste el nivel de logro del atributo que el decisor considera aceptable.
A continuación, definimos las metas, es decir, los atributos combinados con niveles
de aspiración. Cada meta se convierte en una restricción “blanda” a incorporar en
el modelo de programación por metas.
n: variable de desviación negativa, cuantifica la falta de logro de una meta
p: variable de desviación positiva, cuantifica el exceso de logro de una meta
f (x) + n − p = t
En general, la meta del atributo i-ésimo se escribe como:
 f (x) + n − p = t
Mediante un ejemplo demostraremos como se introducen los datos para la creación
de un modelo de programación de metas.
Ejemplo: Formular el problema de la Planificación de la producción de una fábrica
de papel como un problema de programación por metas. Supóngase la existencia
de dos procesos, uno mecánico y otro químico, por los que se puede obtener la
pulpa de celulosa para la producción del papel.
El modelo de programación multiobjetivo es el siguiente:
Objetivos: Max f1(x) = 1000X1 + 3000X2 (Maximizar el margen bruto)
Min f2(x) = X1 + 2X2 (Minimizar la demanda biológica de O2)
Restricciones rígidas iniciales:
1000X1 + 3000X2 ≥ 300000 (Margen Bruto)
X1 + X2 ≤ 400 (Empleo)
X1 ≤ 300 (Capacidades de producción)
X2 ≤ 200
X1, X2 ≥ 0
Definidas las variables de decisión y los atributos/ objetivos relevantes del problema
que nos ocupa, el decisor define las siguientes METAS:
g1: Para la demanda biológica de oxígeno: un nivel de aspiración de 300 unidades,
pues desea que sea lo más pequeña posible.
g2: Para el margen bruto: alcanzar un valor lo más grande posible, ojalá mayor de
400000 u.m.
g3: Para el empleo: no desea ni quedarse corto ni contratar mano de obra adicional.
g4: El decisor no desea superar sus capacidades de producción, lo que implicaría
recurrir a turnos extras.
Definiendo las restricciones tipo metas
Las restricciones quedarían de la siguiente forma:
g1: X1 + 2X2 + n1 - p1 = 300 (Demanda Biológica de O2)
g2: 1000X1 + 3000X2 + n2 - p2 = 400000 (Margen Bruto)
g3: X1 + X2 + n3 - p3 = 400 (Empleo)
g4: X1 + n4 - p4 = 300 (Capacidades de Producción)
g5: X2 + n5 - p5 = 200
X1, X2 ≥ 0
Introduciendo el problema
En el menú Archivo (File) seleccionamos Nuevo problema (New Problem) e
introducimos la información del problema:

Al pulsar el botón OK aparecerá una nueva ventana donde procederemos a

introducir los coeficientes de las variables:

Para trabajar con el mismo formato de las variables definidas en el ejemplo,

activaremos la opción Nombre de las variables (Variable Names) en el menú Editar
(Edit).
Los nombres de las variables se cambiarán de acuerdo al orden que en que
aparecen en el problema:

Al pulsar OK en esta ventana podremos definir las metas y restricciones:

Luego de introducido el modelo se inicia el proceso de solución, siguiendo los
mismos pasos al empleado en la solución de los modelos de programación lineal.
La solución final se muestra en la siguiente página:

La ventana con el resumen de la información permite un análisis detallado de cada

variable.
Interpretando la solución
En el tablero optima se puede observar que:
• Las toneladas de celulosa a producir por medios mecánicos son 300.
• Dado que n1 y p1 son ambas cero, la demanda biológica de oxígeno mínima es
de 300 unidades, igual al nivel de aspiración.
• La meta 2, asociada con el margen bruto, se queda por debajo del nivel de
aspiración en cuantía de 100.000 u. m., valor que asume la variable de desviación
n2.
• La meta del empleo se fija en 100 unidades de mano de obra menos que el nivel
de aspiración que era de 400.
• Las metas 4 y 5, asociadas con los niveles máximos de producción por cada
método, se fijan en 0 ton. De capacidad no aprovechada, para la 4, y de 200 para
la 5.
Conocidos estos resultados, el WINQSB también permite el análisis paramétrico del
modelo.
 CONCLUSIONES
La mayoría de los modelos de optimización, bien sean determinísticos o
probabilísticos, o bien deductivos e inductivos, consideran una sola función objetivo
(un solo propósito) o sea una sola meta (minimizar costos, tiempos o maximizar
utilidades). Pero muy frecuentemente los problemas de decisión de las
organizaciones productoras de bienes y servicios tienen objetivos y metas múltiples
que son conflictivos entre sí. Para esto se diseñó la Programación con Metas
Múltiples, en las cuales se puede jerarquizar y priorizar las diferentes metas
intervinientes en el modelo.
La programación multiobjetivo (por metas u objetivos) constituye un enfoque
multicriterio de gran potencialidad cuando el contexto decisional está definido por
una serie de objetivos a optimizar que deben de satisfacer un determinado conjunto
de restricciones. Como la optimización simultánea de todos los objetivos es
usualmente imposible, pues en la vida real entre los objetivos que pretende
optimizar un centro decisor suele existir un cierto grado de conflicto el enfoque
multiobjetivo en vez de intentar determinar un óptimo existente pretende establecer
el conjunto de soluciones eficientes u óptimas.

BIBLIOGRAFIA
Marrero, F... (2014). El método secuencial para resolver programas lexicográficos..
Septiembre 26,2016, de monografias.com Sitio web:
http://www.monografias.com/trabajos6/prome/prome2.shtml#pro
Cepeda, Z... (2013). Programación lineal en la investigación de operaciones.
Septiembre 26,2016, de gestiopolis Sitio web:
http://www.gestiopolis.com/programacion-lineal-en-la-investigacion-de-
operaciones/
Marrero,F.,Asencio,G.,Abreu,R.,Orozco,R.,Granela,H.,Quiroga,A.,&Dias,R..
(2011). Programación meta, Investigación de Operaciones, Métodos Multicriterio.
Septiembre 25,2016, de galeon.com. Sitio web:
http://fmarrerodelgado.galeon.com/metas.html
Quesada, V. &Vergara, J... (2013). Análisis Cuantitativos con WINQSB.
COLOMBIA: Universidad de Cartagena.
https://es.slideshare.net/juanlugomarin/programacion-de-metas-y-objetivos-
16646467
https://prezi.com/u01gxoux6o8l/programacion-de-metas/
https://germanjames.wordpress.com/2011/03/16/la-investigacion-de-operaciones-
uso-de-modelos-y-metodos-de-optimizacion/