®

TECNOLÓGICO NACIONAL DE
MÉXICO
INSTITUTO TECNOLÓGICO DE
HUIMANGUILLO

NOMBRE DEL TRABAJO:

1 PROGRAMACION POR METAS

CARRERA:
INGENIERÍA EN LOGÍSTICA

MATERIA:

INVESTIGACIÓN DE OPERACIONES II

PRESENTAN:
HANNIA ISABEL HERNÁNDEZ RAMÍREZ. 181240019

DOCENTE:
ING. JUAN CARLOS ADORNO GUERRA.

HUIMANGUILLO, TABASCO, __08__ DE __MARZO__ DE 20_21_

 1. PROGRAMACIÓN DE METAS

1.1. Definición y conceptos generales

La Programación por Metas en Investigación de Operaciones es un tipo de Programación

Lineal. En este reporte de investigación, se dará una sencilla explicación de sus bases, y se
concluirá con unos ejemplos.

Según Gibrán García C. La Programación de Metas o Programación por objetivos es un

enfoque que permite abordar problemas de decisión general respecto a las metas que se
deseen alcanzar en algún ámbito de la vida cotidiana. Estas metas pueden ser
complementarias, pero frecuentemente conflictivas. Por ello, una forma de arreglar esta
inconmensurabilidad se basa en una estructura prioritaria por parte 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.

Programación por Metas. Cuando existen varios objetivos se utiliza la programación por
metas. Esta es una diferencia con relación a la programación lineal que tiene un objetivo
único de maximizar o minimizar. La Programación por metas (abreviada PM) apareció
originalmente en un artículo de Charnes, Cooper y Ferguson en 1955

Como se explicó anteriormente, se utiliza cuando existen varios objetivos o metas y se

desea una solución satisfactoria y suficiente (satisfaciente).
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.

Carlos Romero define la programación por metas de la siguiente manera: “La programación
por metas se aleja de una filosofía de optimización, entroncando con una filosofía
satisfaciente en la línea que propone Herbert Simón (1955, 1957). Este prestigioso
economista conjetura que en las complejas organizaciones actuales (grandes empresas,
agencias gubernamentales, sindicatos, etc.), el contexto decisional está definido por
información incompleta, recursos limitados, multiplicidad de objetivos, conflicto de
intereses, etc.

Herbert Simón conjetura que, en contextos decisionales complejos, el centro decisor intenta
que una serie de metas relevantes se aproximen lo más posible a unos niveles de aspiración
fijados de antemano”. Por lo tanto, la programación por metas tiene de fondo una filosofía
que se llama “satisfaciente”, lo que quiere decir que no tiene por qué haber una
obligatoriedad de satisfacerlo, sino que se ubican cuáles son las metas más relevantes y se
intenta que acercar lo más posible a los niveles de aspiración. Como mencionó Simón, los
centros decisores cada vez son más complejos y además tienen que considerar más
parámetros que pueden limitar su deseo, y es en estos en los que sería conveniente aplicar
la programación por metas. A pesar de que Simón y otros autores como Charnes, Cooper &
Ferguson, empezaron a plantear la programación por metas en el año 1955, hasta mediados
de los años 70 no empezó a popularizarse.

Por otra parte, A. Chames y W.W. Cooper. En su continua investigación desarrollaron el

concepto de "PROGRAMACION POR METAS" en los años 50´s. El concepto de
programación por metas surgiendo primero como un resultado de problemas de
programación lineal sin –solución Chames y Cooper explican: Bastante relacionado con el
análisis de contradicciones en problemas — sin solución está el resultado que llamaremos
"Alcanzar una Meta". La Gerencia algunas veces pone tales metas, aun cuando ellas sean
inalcanzables dentro de los límites de recursos disponibles, por una variedad de razones.
Por ejemplo, tales metas pueden ser establecidas para proporcionar incentivos o para juzgar
méritos o ellas pueden ser usadas como una defensa para asegurar que consideraciones a
largo plazo no sean borradas o destruidas por objetivos alcanzables de inmediatos etc.
Cualquier restricción incorporada en la función será llamada una "meta". Ya sea que las
metas sean alcanzables o no, se debe establecer en objetivo en el cual la optimización da
resultados, los cuales vienen a ser "lo más aproximado" a lo que indican las metas.
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, etc.

Formula:
La estructura de cada meta seguiría este modelo:

fi(x) + ni – pi = ti

En la expresión anterior fi(x) representa la expresión matemática de la meta, a la que se le

añaden dos variables de desviación (ni y pi). La primera, ni, representa un valor faltante
para llegar a la meta. La segunda variable de desviación pi, representa un valor excedente
por sobre la meta.

El proceso con la construcción de un modelo podría ser el siguiente:

Definición del problema: Se debe definir el problema para el cual se busca proponer un
curso de acción. ¿Es un problema relevante? ¿Es posible tomar una buena decisión sin la
necesidad de resolver un modelo de optimización? ¿Cuáles son sus alcances? ¿Cuáles son
los factores que influyen en el desempeño del sistema?, etc. La calidad del modelo de
optimización dependerá en gran parte del asertividad en la definición del problema de
decisión.

Construcción de un modelo: Un modelo de optimización considera necesariamente una

abstracción o simplificación de la realidad. Por un lado, se busca que el modelo sea
representativo del problema real que se busca representar pero que al mismo tiempo sea
simple de modo de favorecer su resolución haciendo uso de un algoritmo.

Solución del modelo: Una vez construido el modelo de optimización se deben identificar
las alternativas de resolución para el mismo. Para ello se puede hacer uso de programas
computacionales que utilizan algoritmos de resolución específicos dependiendo de las
características del modelo. Por ejemplo, para resolver un problema de Programación Lineal
(las variables de decisión se representan como funciones lineales tanto en la función
objetivo como restricciones) se puede utilizar el Método Simplex.

Validación: Se verifica que la solución alcanzada cumpla con las condiciones

(restricciones) impuestas al problema.

Implementación y control de la solución: Una vez verificada la solución se procede a su

implementación. Cabe destacar que esto puede dar lugar a actualizaciones del modelo de
optimización tanto en términos del modelo como el valor de los parámetros estimados.

En la actualidad el uso de modelos de optimización es cada vez más frecuente en la toma de

decisiones. Este mayor uso se explica, principalmente, por un mejor conocimiento de estas
metodologías en las diferentes disciplinas, la creciente complejidad de los problemas que se
desea resolver, la mayor disponibilidad de software y el desarrollo de nuevos y mejores
algoritmos de solución.
Ejemplo 1:
Una empresa tiene dos productos: el primero le deja 3 pesos de ganancia y el segundo le
produce solo 1 peso. Se desea obtener 50 pesos de ganancia. La meta estaría representada
por

3x1 + x2 + n – p = 50

Tal vez alguien en la empresa sugiere que deberían producir 10 productos x1 y 15

productos x2. Eso implicaría:

3(10) + 1(15) + n – p = 50

30+15 + n – p = 50

45 + n – p = 50

Se necesita que n valga 5 para alcanzar la meta. En otras palabras, el beneficio quedó 5
pesos abajo de lo esperado porque se obtuvo un faltante.

Ahora piense que otra persona en la empresa sugiere que se fabriquen 15 productos de cada
tipo. La meta estaría representada por:

3(15) + 1(15) + n – p = 50

60 +n – p = 50

Ahora la meta quedó 10 unidades por encima de lo esperado.

Suponga que el plan de producción lo dejamos en 10 x1 y 20 x2. Ello implicaría:

50 + n – p = 50

Por lo que tanto n, como p valen 0. (No hay faltantes ni excedentes).

Ejemplo 2 (basado en Taha, 2012):

En cierto país de 20 000 habitantes se tienen las siguientes bases tributarias: 550 millones
por predial. 35 millones por alimentos y medicinas. 55 millones por ventas. El consumo
anual de gasolina es de 7.5 millones de galones.

Se tienen las siguientes metas:

1. Tener un ingreso por impuestos de 16 millones.

2. Que el impuesto para alimentos y medicinas no exceda el 10% del total de

impuestos

3. Que el impuesto sobre ventas no exceda el 20% del total de impuestos.

4. Que el impuesto para gasolina no exceda de 2 centavos por galón.

Así es que las variables serían:

 X1 = tasa tributaria predial

 X2 = tasa tributaria por alimentos y medicinas

 X3 = tasa tributaria por ventas

 X4 = impuesto para gasolina en centavos por galón.

Metas

Las metas quedarían expresadas de la siguiente forma:

1. Tener un ingreso de impuestos de 16 millones.

550x1 + 35x2 + 55x3 + 0.075x4 >= 16

2. Que el impuesto para alimentos y medicinas no exceda el 10% del total de

impuestos

35x2 <= .1 (550x1 + 35x2 + 55x3 + 0.075x4)

Haciendo las operaciones correspondientes, y simplificando, la meta anterior quedaría:

55x1 – 31.5x2 + 5.5x3 + 0.0075x4 >= 0

3. Que el impuesto sobre ventas no exceda el 20% del total de impuestos.

55x3 <= .2 (550x1 + 35x2 + 55x3 + 0.075x4)

Haciendo las operaciones correspondientes, y simplificando, la meta anterior quedaría:

110x1 + 7x2 – 44x3 + 0.015x4 >= 0

4. Que el impuesto para gasolina no exceda de 2 centavos por galón.

x4 <= 2

La planificación por metas (incluyendo las variables de desviación) sería:

550x1 + 35x2 + 55x3 + 0.075x4  + n1 – p1 = 16

55x1 – 31.5x2 + 5.5x3 + 0.0075x4 +n2 – p2  = 0

110x1 + 7x2 – 44x3 + 0.015x4 +n3 – p3  = 0

X4 + n4 – p4 = 0

Las variables de desviación no deseadas serían: n1, n2, n3, p4.

La función de logro sería:

Min g(n1, n2 , n3,  p4)

Esperamos que esta explicación y este ejemplo te hayan permitido entender un poco más la
programación por metas.

Ejemplo 3:

La empresa Harrison Electric Company, en Chicago, fabrica candelabros y ventiladores de

techo de estilo antiguo. Dicha fábrica desea maximizar los beneficios obtenidos con la
producción de los citados productos. Para la fabricación de los ventiladores y candelabros
se realizan dos pasos: el cableado eléctrico y el ensamble. Para cablear un candelabro se
necesitan 2 horas y para ensamblarlo 6. Además, para cablear cada ventilador se necesitan 3
horas y 5 horas para ensamblarlo. Cabe destacar que solo se dispone de 12 horas para
realizar el cableado y 30 horas para el ensamble. En la venta de cada candelabro se obtiene
7 dólares y en la venta cada ventilador 6 dólares.

Modelizamos el problema que se nos plantea.

max 7x1 + 6x2

s.a : 2x1 + 3x2 ≤ 12

6x1 + 5x2 ≤ 30

x1, x2 ≥ 0

siendo las variables de decisión:

x1= candelabros fabricados

x2= ventiladores fabricados

Pasado un tiempo, la empresa decide mudarse y en este momento se valora que el objetivo
anterior no es del todo realista. Por tanto, la fábrica considera que obtener un beneficio de
30 dolares por día, sí es un objetivo que puede ayudar a la empresa de manera real. Estamos
ahora frente a un problema de programación por metas con las restricciones de tiempo de
producción que anteriormente se tenían.

Definimos las variables de desviación:

d − 1 = beneficio de venta inferior a 30 dolares

d + 1 = beneficio de venta superior a 30 dolares

Tenemos por tanto el siguiente problema:

min d− 1 + d + 1

s.a : 7x1 + 6x2 + d − 1 − d + 1 = 30

2x1 + 3x2 ≤ 12

6x1 + 5x2 ≤ 30

x1, x2, d− 1 , d+ 1 ≥ 0
Nuevamente la empresa considera que se puede mejorar la situación. En esta ocasión, la
administración de la fábrica se plantea alcanzar las siguientes metas, cada una con igual
prioridad:

Meta 1: Obtener un beneficio de 30 dolares cada día

Meta 2: Utilizar todas las horas disponibles para el trabajo de cableado

Meta 3: Evitar que en el departamento de ensamble se superen las horas establecidas

Meta 4: Producir como mínimo 7 ventiladores de techo

Considerando estas metas tenemos las variables de desviación siguientes:

d − 1 y d+ 1 : variables de desviación relacionadas con el mínimo beneficio a lograr

d − 2 y d+ 2 : variables de desviación relacionadas con el tiempo disponible del

departamento de cableado

d − 3 y d+ 3 : variables de desviación relacionadas con el tiempo excesivo de trabajo del

departamento de cableado

d − 4 y d+ 4 : variables de desviación relacionadas con el mínimo de ventiladores de techo

que se producen

Teniendo en cuenta las metas que se han establecido, las variables de desviación d + 1 , d+
2 , d− 3 y d+ 4 se pueden eliminar de la función objetivo.

El problema queda entonces de la siguiente manera:

min d− 1 + d − 2 + d + 3 + d − 4

s.a : 7x1 + 6x2 + d − 1 − d + 1 = 30

2x1 + 3x2 + d − 2 − d + 2 = 12

6x1 + 5x2 + d − 3 − d + 3 = 30
 x2 + d − 4 − d + 4 = 7 xi , d− j , d+ j ≥ 0, ∀i = 1, 2 y ∀j = 1, 2, 3, 4

donde a1 = d − 1 , a2 = d − 2 , a3 = d + 3 y a4 = d − 4 .

1.2 Modelo general de Metas

La forma del modelo de programación lineal sigue siendo la misma en programación

por meta, es decir, también se tiene una función objetivo que optimizar sujeta a una o
más restricciones. Sin embargo, 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 se utiliza cuando se tienen varios objetivos o metas y se

desea una solución que este a favor de lo que queremos la cual sea la mejor.
El primer paso en la formulación de un modelo de programación por metas consiste en
fijar los atributos que se consideran relevantes para el problema que se está analizando.
Una vez establecidos los atributos, se pasa a determinar el nivel que corresponde a cada
atributo. Seguidamente, se conecta el atributo con el nivel de aspiración, por medio de
la introducción de las variables de desviación negativa y positiva, respectivamente. Así
para el atributo i-ésimo, se tiene la siguiente meta: donde, como es habitual, f(x)
representa la expresión matemática del atributo i-ésimo, Ti su nivel de aspiración, ni y
pi las variables de desviación negativa y positiva, respectivamente.

Objetivos: Representan direcciones de mejora de los atributos. La mejora puede

interpretarse en el sentido (más del atributo mejor) o bien (menos del atributo mejor). El
primer caso corresponde a un proceso de maximización y el segundo a uno de
minimización de las funciones que corresponden a los atributos que reflejan los valores
del centro decisor.

Como paso previo a la definición de meta se introducirá el concepto de nivel de

aspiración. Un nivel de aspiración representa un nivel aceptable de logro para el
correspondiente atributo. La combinación de un nivel de aspiración con un atributo
genera una meta.

Finalmente, el término criterio se utiliza como un término general que engloba los tres
conceptos precedentes (atributo, objetivo y metas). En otras palabras, los criterios
constituyen los atributos, objetivos o metas que se consideran relevantes para un cierto
problema decisional. Por consiguiente, la teoría de la decisión multi criterio constituye
un marco general o paradigma decisional en el que subyacen diferentes atributos,
objetivos o metas.

La estructura de cada meta seguiría este modelo:

fi(x) + ni – pi = ti

En la expresión anterior fi(x) representa la expresión matemática de la meta, a la que se

le añaden dos variables de desviación (ni y pi). La primera, ni, representa un valor
faltante para llegar a la meta. La segunda variable de desviación pi, representa un valor
excedente por sobre la meta. (Iñiguez, 2017)9

Como un nivel de aspiración no puede simultáneamente sobrepasarse y quedar por

debajo de él, al menos unas de las dos variables de desviación tomarán valor cero
cuando la meta alcanza exactamente su nivel de aspiración.

Una variable de decisión se dice que no es deseada cuando al centro decisor le interesa
que la variable en cuestión alcance su valor más pequeño (esto es cero). Finalmente,
cuando se desea alcanzar exactamente el nivel de aspiración tanto la variable de
desviación negativa como la positiva son variables no deseadas y por tanto variables a
minimizar. (Iñiguez, 2017)10

Existen cuatro formas de restricciones de objetivos, según se permita variación hacia

arriba o hacia abajo:

 CASO 1: Se permiten desviaciones en ambas direcciones. 

CASO 2: Solo se permiten desviaciones hacia abajo. 
CASO 3: Solo se permiten desviaciones hacia arriba 
CASO 4: No se permiten desviaciones.

El significado de las variables de desviación no deseadas puede clarificarse por medio

del siguiente cuadro.

Metas y variables de desviación

Forma inicial de la meta Forma de la meta Variable de desviación no

transformada deseada (a minimizar)

Fi(x) ti fi(x) ni pi = ti ni

Fi(x) ti fi(x) ni pi = ti pi

 Fi(x)=ti fi(x) ni pi = ti ni pi

1.3 Diferencias entre modelo lineal y modelo metas

Modelo de programación meta lineal: 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
busca minimizar las desviaciones entre las metas deseadas y los resultados reales de
acuerdo a las prioridades asignadas.

El objetivo o función de preferencia de un modelo de programación meta es expresado en

términos de las desviaciones de las metas a que se apunta. Esto es, las variables de holgura
o sobrantes de las restricciones se
colocan en la función objetivo y deben
minimizarse.

El modelo general de
la programación meta se define
como:

La variable xj representa una variable de

decisión, wi representan los pesos de ponderación (ordinal o cardinal) asignados a cada una
de las metas, y di+ y di- presenta el grado de sobre

logro y subrogo de la meta, respectivamente. Puesto que al mismo tiempo no podemos

tener logro por encima y por debajo de la meta, o una o ambas de estas variables debe ser
igual a cero.

Modelo de programación meta cuadrática

En toda la teoría desarrollada hasta ahora, hemos supuesto que la función objetivo de la
programación meta es lineal. Por tanto, el incremento en cualquier desviación, di, siempre
adiciona una cantidad igual de des utilidad, independiente del nivel de todas las otras
desviaciones meta. En esta parte supondremos que la función objetivo del modelo de
programación meta es cuadrática y sujeta a restricciones lineales.

Esto no presenta dificultades de cómputo, puesto que los algoritmos de programación

cuadrática estándar pueden utilizarse para resolver dichos problemas. Parte de la discusión
actual en programación cuadrática meta se ha tomado de Shim y Siegel (1975). El
problema de programación cuadrática meta se define como:

Como
antes, deseamos

y
encontrar variables

para minimizar la función objetivo anterior, que está compuesta de los términos

cuadráticos, y una iteración de los términos del producto cruzado . La función

objetivo, por consiguiente, debe ser una función convexa para garantizar una función
global óptima para este problema de minimización utilizando un

algoritmo de programación cuadrática existente.

Existen dos metodologías clásicas de solución para modelos con multiobjetivo, Taha
(2004), los cuales son, el Método de Factores de Ponderación y el Método de Jerarquías.
 Modelo Lineal Modelo Meta
Usa un solo objetivo Tiene más de un objetivo
Las variables y la función objetivo deben Variación de PL.
de ser lineales.
Es necesario que cada variable aditiva Se llega a una solución eficiente.
respecto a la variable objetivo.
Las soluciones no deben de ser Utiliza restricciones meta.
necesariamente números enteros.
La solución óptima (máximo o mínimo) Tiene 3 tipos de modelos:
debe de ocurrir en uno de los vértices del  Sin prioridad.
conjunto de soluciones factibles.  Con prioridad.
 Con prioridad y ponderación.
Las funciones lineales en variables de Se usa para resolver problemas
decisión con restricciones lineales (programas) lineales con objetivos
optimizando una función objetivo también similares, con cada objetivo visto como
lineal. una “meta”.
Se tiene una función objetivo, se busca Aquí las variables de desviación son las
una combinación de recursos”. cantidades que una meta es superada o no
alcanzada.
Ventajas
Permite comparar un amplio rango de Satisface los objetivos en una secuencia
soluciones, alternativas y analizar sus de prioridad. Los objetivos de segunda
consecuencias prioridad se persiguen sin reducir los
objetivos de primera prioridad.
Indica al administrador como emplear
más eficazmente sus factores Se conforma con una cota inferior.
seleccionándolos y distribuyéndolos
adecuadamente.
Hace que el administrador sea más El espacio de soluciones siempre tiene
objetivo en sus decisiones al obtener que cumplirse, mientras que los objetivos
todos los datos que puedan ser útil para la no pueden cumplirse.
 formulación matemática del problema.

1.4 Modelos de una sola meta

Es un modelo que optimiza ya sean determinísticos, inductivos o deductivos, considerando
una sola función objetivo y un solo propósito es decir una sola meta. Dado que este modelo
es de una sola meta, se puede minimizar costos, tiempos o también maximizar utilidades.

En la figura se puede observar que se presentan tres posibilidades, que la meta sea
alcanzada, que se logre un valor mayor a la meta en cuyo caso se incurre en una desviación
positiva, o que se quede por debajo de la meta, y en ese caso se tendrá una desviación
negativa. Dependiendo del problema y de la meta en sí, se podrá tener interés en minimizar
la desviación positiva, la negativa o ambas. La formulación de un modelo de programación
meta es similar al modelo de programación lineal. El primer paso es definir las variables de
decisión, después se deben especificar todas las metas gerenciales en orden de prioridad.
Así, una característica de la programación de meta es que proporciona solución para los
problemas de decisión que tengan metas múltiples, conflictivas e inconmensurables
arregladas de acuerdo a la estructura prioritaria de la administración.

Es similar al modelo de Programación Lineal. El Primer paso es definir las variables de

decisión, después se deben de especificar todas las metas gerenciales en orden de prioridad.

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.
Una característica de la Programación de Meta es que proporciona solución para los
problemas que tengan metas múltiples y conflictivas arregladas de acuerdo a la estructura
prioritaria de la administración.

Fijar los atributos que se consideran relevantes para el problema que se está analizando.
Una vez establecidos los atributos, se pasa a determinar el nivel de aspiración que
corresponde a cada atributo, es decir, el nivel de logro que el centro decisor desea alcanzar.

Seguidamente, se conecta el atributo con el nivel de aspiración, por medio de la

introducción de las variables de desviación negativa y positiva, respectivamente. Así para
el atributo i-ésimo, se tiene la siguiente meta: donde, como es habitual, f(x) representa la
expresión matemática del atributo iésimo, Ti su nivel de aspiración, ni y pi las variables de
desviación negativa y positiva, respectivamente.

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.

La noción fundamental de la Programación Meta, comprende incorporar todas las metas

gerenciales en la formulación del modelo del sistema. 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.

Las variables de desviación negativa cuantifican la falta de logro de una meta con respecto
a su nivel de aspiración, mientras que las variables de desviación positiva cuantifican el
exceso de logro de una meta con respecto a su nivel de aspiración.
Como un nivel de aspiración no puede simultáneamente sobrepasarse y quedar por debajo
de él, al menos una de las dos variables de desviación tomará valor cero cuando la meta
alcanza exactamente su nivel de aspiración.

Una vez clarificado el significado de las variables de desviación, es importante introducir el

concepto de variable de decisión no deseada. Una variable de decisión se dice que no es
deseada cuando al centro decisor le interesa que la variable en cuestión alcance su valor
más pequeño (esto es cero).

Cuando la meta deriva de un atributo del tipo más del atributo mejor (objetivo a
maximizar) la variable no deseada (a minimizar), será la variable de desviación negativa
(cuantificación de la falta de logro).

Finalmente, cuando se desea alcanzar exactamente el nivel de aspiración tanto la variable

de desviación negativa como la positiva son variables no deseadas y por tanto variables
para minimizar.

Ejemplo 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:

Hrs. requeridas para procesar cada bicicleta

En el depto. Contribución a la
De terminación utilidad unitaria
Tipo de bicicleta En el Depto. de
ensamble
 3 velocidades 1 1 15

10 velocidades 3 1 25

Hrs. disponibles en 60 40
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.

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+

Sujeto a:

x1+3x2  60 (horas de ensamble). x1

+ x2  40 ( (horas de terminación).

Restricciones estructurales

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.
 Referencias:

Jesúsálvarez Rodríguez, M. (n.d.). Programación por Metas Goal Programming. Retrieved

from website: https://riull.ull.es/xmlui/bitstream/handle/915/14636/Programacion%20por
%20Metas.pdf?sequence=1
Sánchez, A., Director, R., Jiménez López, M., De Economía, F., & Empresa, Y. (n.d.). LA
PROGRAMACIÓN POR METAS: APLICACIÓN AL DISEÑO DEL PLAN PUBLICITARIO
DE UNA EMPRESA TRABAJO DE FIN DE GRADO. Retrieved from website:
https://addi.ehu.es/bitstream/handle/10810/20672/TFG%20Ane%20Sanchez.pdf?
sequence=2&isAllowed=y
Ramón Apreza Zepeda. (2021, March 8). Programación de Metas u Objetivos Multiples.
Retrieved March 8, 2021, from Blogspot.com website:
https://addi.ehu.es/bitstream/handle/10810/20672/TFG%20Ane%20Sanchez.pdf?
sequence=2&isAllowed=y
file:///C:/Users/Admin/Documents/Investigacion%20de%20Operaciones%202/Método
%20Heurístico.pdf
Programación por metas: explicación y ejemplo -. (2017, August 30). Retrieved March 8,
2021, from Naps Tecnología y educación website: https://naps.com.mx/blog/programacion-
por-metas-explicacion-y-ejemplo/
‌