Programación por metas

Historia de la programación por metas

El origen de la programación matemática se remonta en la historia de las matemáticas a las

teorías de las ecuaciones lineales y no-lineales, y a las desigualdades. Sin embargo, a
George B. Dantzig se le conoce como el padre de la programación lineal. El trabajo de
Dantzig se enfocó primeramente en la investigación de técnicas para resolver problemas de
logística para la planeación militar, cuando era empleado de la Fuerza Aérea de los Estado
Unidos en Washington D. C., al principio de los 40’s. Su investigación fue apoyada por
otros académicos quienes trabajaron sobre el mismo tema general: J. von Newmann, L.
Hurwicz y T. C. Koopmans. El nombre original que se dio a la técnica fue “programación
de actividades interdependientes en una estructura lineal”, y que más tarde se denominó
“programación lineal”.
Durante 1948, varios académicos se unieron a Dantzig para refinar la técnica y explorar las
aplicaciones potenciales de la programación lineal. Sin embargo, el equipo de A. Charnes y
W. W. Cooper jugaron un papel clave en la introducción y aplicación de la técnica a
problemas industriales. Ellos publicaron artículos excelentes en varios journals, así como
libros de texto de programación lineal.
En su continua investigación de la programación lineal, A. Charnes y W. W. Cooper
desarrollaron el concepto de programación por metas. Le asignaron este nombre
(programación por metas) en su conocido libro de programación lineal publicado en 1961.
El concepto de programación por metas emergió primeramente como aspecto irresoluble de
problemas de programación lineal. Charnes y Cooper decían:
Estrechamente relacionado al análisis de contradicciones en problemas irresolubles es lo
que se llama “ajuste a la meta”. La administración algunas veces establece tales metas,
siempre y cuando sean alcanzables dentro de los límites de los recursos disponibles, por
una variedad de razones. Por ejemplo, las metas se pueden establecer para incentivar o para
evaluar logros, o se pueden usar como una protección para asegurar que las consideraciones
a largo plazo no son ignoradas por objetivos de alcance inmediato, etc. Cualquier
restricción incorporada en la función se denominará una “meta”. Ya sea que las metas sean
alcanzables o no, se establece un objetivo en el cual su optimización, dará como resultado
un logro “tan cerca como sea posible” a las metas indicadas.
Charnes y Cooper dan la siguiente ilustración para introducir la programación por metas.

(1.1)

1
La figura 1.1 muestra la gráfica del conjunto de restricciones de este problema. Las áreas
sombreadas indican el conjunto de puntos que cumplen con algunas restricciones. Sin
embargo, puesto que las dos áreas sombreadas no se interceptan, no existe solución factible
alguna. Así, el problema no se puede resolver por procedimientos usuales de programación
lineal.

6
5
x2
4

1 2 3 4 5 6 7 8
x1
Figura 1.1 Representación gráfica de las restricciones del problema

Supongamos que las dos primeras restricciones en el modelo 1.1 representan recursos
disponibles, por ejemplo, capacidades de máquinas, y que la tercera y la cuarta restricción
representan metas administrativas. Entonces, la función objetivo se puede cambiar de
maximización a ajuste a la meta. Como se mencionó anteriormente, las metas no siempre se
logran con toda exactitud. El objetivo de la administración más bien puede ser una
aproximación general de acercarse a las metas tanto como sea posible. Así la función
objetivo se puede cambiar a: . Esta es la idea
básica de la programación por objetivos.
Y. Ijiri estudió detalladamente las técnicas de programación por metas en base a los
conceptos desarrollados por Charnes y Cooper. El estudio de Ijiri presentó la definición de
“factores de prioridad preferencial” para tratar metas múltiples de acuerdo a su importancia,
asignando ponderaciones a metas con la misma prioridad y sugiriendo la aproximación de
la inversa generalizada como algoritmo de solución. Ijiri reforzó y refinó el concepto de
programación por metas y lo desarrolló como una técnica de programación matemática
diferente. Los estudios de Ijiri fueron, sin embargo, inicialmente dirigidos al desarrollo de
la técnica y su posible aplicación a la contabilidad y al control administrativo.
Las aplicaciones de la programación por metas fué relativamente prolífica. Las primeras
aplicaciones de la técnica fueron sugeridas por Charnes y otros para la planeación de
medios publicitarios. Este estudio presentó un modelo general de programación por metas
que puede ser utilizado para cualquier clase de problemas de planeación de medios
publicitarios, con algunas modificaciones. Charnes y Cooper, en cooperación con los
miembros del staff de la Office of Civilian Manpower Management, del departamento

2
naval, también presentaron un modelo de programación por metas para la planeación de la
mano de obra.
Impresionado por el potencial de la programación pro metas, B. Contini examinó el método
bajo condiciones de incertidumbre. Su estudio proporcionó la factibilidad matemática para
la aproximación de la programación por metas estocástica, en base a estudios previos sobre
programación lineal restringida. En 1968, V. Jaaskelainen presentó un estudio que aplicó la
programación por metas a la planeación agregada de producción. Este estudio comprensivo
incluye el tratamiento de metas múltiples para la producción, fluctuaciones de la demanda,
control de inventarios y subcontratación, y se basó en programas de computadora
desarrollados pro Jaaskelainen.
Sang M. Lee a explorado aplicaciones de la programación por metas a varias áreas
funcionales, tales como la planeación académica, planeación financiera, planeación
económica y administración de hospitales. Algunos de sus estudios se presentan en esta
libro. La aplicación de la programación por metas ha sido grandemente mejorada
recientemente por Sang M. Lee y por V. Jaaskelainen.
Dado que la programación por metas es una técnica relativamente nueva, su potencial
todavía no se ha determinado. Sin embargo, parece ser que su aplicabilidad puede ser tan
amplia como la de la programación lineal. La programación por metas tiene una gran
flexibilidad, aspecto que es una de las desventajas de la programación lineal. Además, la
aproximación de ajustarse a metas múltiples de acuerdo a sus prioridades, es realmente una
gran ventaja para muchos problemas de decisiones administrativas. Más adelante se
discutirán algunos análisis de los conceptos de la programación por metas.

Conceptos de la programación por metas

Los objetivos organizacionales varían de acuerdo a las características, tipos, filosofías

administrativas y condiciones ambientales particulares de las organizaciones. No existe una
meta universal para toda la organización. Una de las metas administrativas más
ampliamente aceptadas, es la maximización de las utilidades. En la dinámica del ambiente
económico, hoy en día, la maximización de las utilidades no es siempre el único objetivo de
la administración. De hecho, las firmas frecuentemente dan mayor prioridad a metas no
económicas más bien que a la maximización de las utilidades. O, frecuentemente desean
maximizar las utilidades sin descuidar otras metas no económicas. Así vemos, por ejemplo,
empresas que ponen mayor énfasis en sus responsabilidades sociales, contribuciones
sociales, relacione públicas, relacione industriales y de mano de obra, etc. Ya sea que tales
metas sean buscadas debido a presiones externas o a decisiones administrativas voluntarias,
las metas no económicas existen y cada vez está ganando más relevancia. La reciente
conciencia pública de la necesidad de administrar y controlar el medio ambiente, ha forzado
indudablemente a muchas empresas a reevaluar sus objetivos organizacionales.
Si se garantiza que la administración tiene múltiples objetivos conflictivos que lograr, los
criterios de decisión deberían de ser multidimensionales. Esto implica que cuando una
decisión involucra metas múltiples, la técnica usada debería ser capaz de manejar criterios
de decisión múltiple. Las técnicas de programación lineal, que han sido aplicadas
extensamente a varios problemas de decisión, tienen un valor limitado para problemas que
incluyen metas múltiples.
La dificultad primario de la programación lineal, no se encuentra en su habilidad para
reflejar una realidad compleja. Más bien, su dificultad se encuentra en la

3
unidimensionalidad de la función objetivo, la cual requiere de información de costos o
utilidades que a menudo es casi imposible de obtener. Por ejemplo, en un problema de
programación de la producción, no es fácil determinar los costos asociados con las
fluctuaciones con el nivel de empleo, contratación, capacitación y despido de empleados,
cambios en la moral de los empleados e imagen pública de la empresa, etc. Este problema
es más aparente en el sector público. Supongamos que el gobierno está estudiando la
factibilidad de construir un nuevo aeropuerto en Washington, D. C. Aquí existen muchos
objetivos conflictivos de interés. El estudio debe considerar la capacidad del aeropuerto,
accesibilidad, planeación del flujo de tráfico, estilo arquitectónico para el prestigio
nacional, niveles de ruido de los residentes aledaños, conservación de la vida natural en el
área, y así sucesivamente. Obviamente, la programación lineal no es conveniente para tal
análisis de decisiones.
Para aliviar la unidemsionalidad de la función objetivo requerida en la programación lineal,
se han hecho esfuerzos para convertir varias metas, costos o medidas de valor en un solo
criterio, tal como la utilidad. Si este proceso se pudiera aplicar efectivamente,
indudablemente que la limitación de la programación lineal se reduciría. Sin embargo, la
medición de la utilidad no es un tema simple, y no existe una metodología efectiva para
desarrollar un función de utilidad de ya sea un individuo o un grupo de gente. Por lo tanto,
la decisión tomada con programación lineal vía función de utilidad, es solamente factible en
un sentido teórico.
Para analizar el concepto de programación por metas, primero debemos familiarizarnos con
el concepto de programación lineal. Primero, revisemos los requerimientos de la
programación lineal. El primer requerimiento básico de la programación lineal es que las
variables constituyan un sistema de decisión homogéneo y lineal. En otras palabras, las
variables ( ) pueden ser solamente de primer orden y sus propiedades relativas no
debe de cambiar si se multiplican por la misma constante, es decir, . El
segundo requerimiento es un conjunto de restricciones o recursos limitados. Para dar a esta
técnica la flexibilidad requerida, es deseable expresar las restricciones ya sea en la forma
“menor o igual que” o “mayor o igual que”. Así un conjunto de desigualdades lineales,
normalmente limitan el área de solucione factibles dentro del cual cualquier punto puede
ser una solución, y fuera del área no existen soluciones reales. Un tercer requerimiento es
que podría haber un objetivo que lograr. Este objetivo se podría expresar como una función
lineal de las variables. La función objetivo debe de ser homogénea en el sentido de que los
tipos de unidades de medición, representados por las variables (por ejemplo horas, número
de trabajadores, libras, etc.) se deben combinar para proporcionar una unidad consistente de
medida para la función objetivo.
En el modelo usual de programación lineal, el objetivo es maximizar o minimizar el criterio
objetivo cumpliendo alguna restricción o meta. La restricción se expresa por medio de una
combinación lineal de las variables que corresponden a entradas y/o salidas del sistema
bajo consideración. Además, las variables individuales son también restringidas en alguna
forma. Por ejemplo, en todos los problemas de programación lineal, todas las variables
consideradas deben de ser positivas o cero. Restricciones adicionales pueden especificar
límites máximos o mínimos sobres los valores de las variables.
La forma general del modelo de programación lineal se puede expresar como:

4
 (1.2)

(1.3)

La programación por metas es una modificación y una extensión de la programación lineal.

La aproximación de la programación por metas permite una solución simultánea de un
sistema de objetivos complejos más bien que un objetivo simple. En otras palabras, la
programación por metas es una técnica que es capaz de manejar problemas de decisión que
tratan con una meta simple con múltiples submetas, así como problemas múltiples metas
con múltiples submetas. Además, la función objetivo de un modelo de programación por
metas se puede componer de unidades de medida no homogéneas, tales como libras y
dólares.
Frecuentemente, las múltiples metas de la administración están en conflicto, o se logran a
expensas de otras metas. Además, estas metas son inconmensurables. Así, la solución del
problema requiere del establecimiento de una jerarquía de importancia entre estas metas
incompatibles, de tal manera que las metas de menor nivel se consideren solamente después
de que las metas de mayor nivel son satisfechas, o que lleguen a un punto tal que no se
desee un mejoramiento adicional. Si la administración puede ordenar sus metas en
términos de sus contribuciones o grado de importancia y todas las restricciones meta se
encuentran en forma lineal, entonces el problema se puede resolver por programación por
metas.
¿Cómo una función objetivo se expresa en forma algebraica cuando existen metas
múltiples, inconmensurables y conflictivas? Una respuesta simple podría ser sugerir una
función objetivo integrada de metas múltiples. Esto es lo que precisamente hace la
programación por metas. En ella, en lugar de tratar de maximizar o minimizar una función
objetivo directamente como en programación lineal, se minimizan las desviaciones entre
las metas.

Análisis matemático de la programación por metas

La programación por metas es un modelo matemático lineal en el cual se logra el ajuste

óptimo de las metas dentro de un ambiente de decisión dado. El ambiente de decisión
determina los componentes básicos del modelo, es decir, las variables, restricciones y
función objetivo.

5
A. Meta simple con múltiples submetas

Considérese un caso donde una meta se puede lograr por medio del logro colectivo de un
conjunto de submetas, .

(1.4)

donde son número reales. Si representa a un vector columna con

componentes y un vector fila integrado por , entonces la
ecuación 1.4 se puede expresar como

(1.5)

Si usamos la programación por metas, la ecuación 1.5 se puede arreglar como:

(1.6)

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

variable está restringida a ser no negativa. Si existe una solución, la función objetivo
siempre forzará a que los valores de y sean iguales a cero. Cuando se minimizan
y a un nivel cero, se logrará la meta a cierto valor de . Debe notarse que y
son complementarias una a otra. Si es distinta de cero, entonces será cero, y
viceversa. Dado que al menos una de las variables será cero, siempre se cumplirá que
.

Ejemplo1

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

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

(1.7)

donde es el número de escritorios vendidos y es el número de mesas vendidas. Si la

meta de 640 no se puede lograr, entonces la holgura en la ganancia se expresará por la
cual es la desviación negativa de la meta. Por otro lado, si la solución da una ganancia

6
mayor a 640, entonces será distinta de cero. Si se logra exactamente la meta de 640,
entonces ambas desviaciones serán igual a cero.
En el ejemplo anterior, existen un número infinito de combinaciones de las variables que
logran la meta. La solución será cualquier combinación lineal de y entre dos puntos (
)y( ).

B. Restricciones submetas

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

tales como:

(1.8)

donde es una matriz y es un vector columna de componentes. Entonces el

modelo 1.6 se puede ahora expresar como sigue:

(1.9)

Ejemplo 2

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

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

La solución es y . Con esta solución las variables desviacionales y son

ambas cero.

C. Análisis de metas múltiples

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

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

7
 (1.11)

Suponiendo que existe una solución para 1.11, el modelo se puede transformar a:

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

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

D. Jerarquización y ponderación de metas múltiples

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

dentro de las restricciones dadas. Sin embargo, este es un caso raro en un ambiente de
decisión real. Frecuentemente, muchas metas tienen que competir por los recursos
disponibles. En presencia de metas múltiples incompatibles, los administradores necesitan
aplicar su juicio en relación a la importancia de las metas individuales. De una manera más
simple, se deben lograr las metas más importantes antes de que se considere la siguiente
meta.
Las metas para el que toma las decisiones, pueden ser simplemente satisfacer cierto
conjunto de restricciones. Por ejemplo, el administrador puede establecer una meta en
relación a un nivel estable de mano de obra en la planta, la cual es simplemente una parte
de las restricciones de producción. O, la meta puede ser una función completamente
separada de las restricciones del sistema. Si este fuera el caso, la meta de restricción se
puede plantear en el modelo. El decisor debe analizar el sistema e investigar si todas sus
metas están expresadas en el modelo de programación por metas. Cuando todas las
restricciones y metas están completamente identificadas en el modelo, se debe analizar cada
meta en términos de si un sobre o un sublogro de la meta es satisfactorio o no. En base a
este análisis se pueden asignar las variables o a las restricciones y/o metas regulares.
Si es aceptable exceder la meta, entonces se puede eliminar la desviación positiva de la
función objetivo. Por otro lado, si es satisfactorio no rebasar la meta, entonces se podría
eliminar la desviación negativa en la función objetivo. Si se desea lograr la meta
exactamente, entonces ambas desviaciones deben aparecer en la función objetivo.
Para lograr una solución ordenada, esto es, para lograr las metas de acuerdo a su grado de
importancia, las metas deben de ser ordenadas de acuerdo a factores prioritarios. De este
modo, las metas de menor nivel se considerarán solamente después de que las metas de
mayor nivel se hayan logrado. Si se tienen k grados de importancia o prioridades, entonces
se asignan a las variables de desviación positiva o negativa factores de prioridad
. Estos factores cumplen con la relación .
Un paso adicional en la formulación del modelo es la ponderación de las variables de
desviación a un mismo nivel de prioridad. Por ejemplo, si la meta de ventas incluye dos

8
productos diferentes, habrá dos variables de desviación con el mismo factor de prioridad.
El criterio que se usa para asignar ponderaciones a este tipo de variables se basa en los
costos de oportunidad. El coeficiente siempre será positivo y simplemente representa la
cantidad relativa de desviación insatisfactoria de la meta. Por tal motivo, las variables de
desviación que tengan el mismo nivel de prioridad, deberán ser conmensurables, aunque las
desviaciones que operan sobre los diferentes niveles de metas no necesiten serlo.
La función objetivo de un problema de programación por metas consiste de variables de
desviación con factores de prioridad y para ponderar los niveles de la misma
prioridad. Sea un vector fila de 2m componentes cuyos elementos son los productos de
y tales que:

(1.14)

donde son factores de prioridad y

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

(1.15)

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

(1.16)

donde y son matrices de orden y respectivamente.

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

La capacidad se puede expresar como:

9
 (1.17)

donde es la cantidad de escritorios producidos, la cantidad de mesas producidas,

representa al tiempo extra y es el tiempo ocioso de producción.
Asimismo, la restricción de capacidad de ventas se puede escribir como:

(1.18)

donde representa a la cantidad por la que no se logró la meta de ventas de los

escritorios, y a la cantidad por la que no se logró la meta de ventas de mesas. Cabe notar
que y no aparecen en las ecuaciones, debido a que las metas de ventas están dadas
como volúmenes máximos posibles de ventas.
Además de las variables y restricciones anteriores, se definen los siguientes factores de
prioridad:

La mayor prioridad asignada por la administración a la sub-utilización de la capacidad

de producción ( ).
El segundo factor de prioridad asignado a la sub-utilización de la capacidad de ventas (
y ). Sin embargo, es dos veces más importante que , debido a que el margen de
contribución de los escritorios es el doble del margen de contribución de las mesas.
El factor de menor prioridad se asignó al tiempo extra de producción ( ).
El modelo es:

(1.19)

Variaciones de la función objetivo

1. Minimización de ( ). Dado que la restricción se expresa como

, la minimización de minimizará el valor absoluto de
. En otras palabras, la minimización de ambas desviaciones tenderá a investigar por
aquellos valores de x los cuales logren la meta exactamente. Por ejemplo, si
, entonces y , mientras que si , entonces y
. Si , naturalmente que .
2. Minimización de . Si la función objetivo se forma para minimizar la desviación
negativa de la meta, la solución consistirá de todas las x’s tales que si
todas la solucione son permisible en el modelo. Si no es posible llevar al nivel

10
 cero, entonces la solución consistirá del conjunto de las x’s tales que minimicen a (
) tanto como sea posible.
3. Minimización de . Si la función objetivo consiste en minimizar la desviación
positiva de la meta, la solución identificará a todas las x’s que satisfagan ,
suponiendo que todas las soluciones son posibles. Si el modelo no puede llevar a
cero, entonces el conjunto de soluciones consistirá de todos los conjuntos de x’s que
minimicen a ( ) tanto como sea posible.
4. Minimización de ( ). La minimización de tiene el mismo efecto que
maximizar . Si hacemos , entonces el modelo se puede escribir como
, sujeto a . Puesto que , se puede transformar la
función objetivo a minimizar ( ). Debido a que b es una constante, la función
es equivalente a maximizar . En la práctica, sin embargo, la maximización de
se puede lograr también minimizando y asignando un valor muy grande a b.
5. Minimización de ( ). La minimización de es equivalente a minimizar
. El razonamiento es semejante al dado en el punto 4.b

Ejemplo 5 Una planta de una firma electrónica fabrica dos tipos de televisores: de 21”
y de14”. De acuerdo a la experiencia pasada, la producción de un televisor de 14”
requiere en promedio de una hora en la planta; asimismo la producción de un televisor
de 21” requiere también de una hora en la planta. La planta tiene una capacidad normal
de producción de 40 horas a la semana. El departamento de mercado reporta que,
debido a las oportunidades limitadas de venta, el número máximo de televisores de 21”
y de 14” que se pueden vender por semana, es de 24 y 30 respectivamente. La utilidad
por cada televisor de 21” es de $800, mientras que la utilidad de cada televisor de 14”
es de $400.
El presidente de la compañía tiene el siguiente conjunto de metas.
1. Evitar cualquier sub-utilización de la capacidad normal de producción (sin
despedir trabajadores).
2. Vender tantos televisores como ser posible. Puesto que la utilidad de un
televisor de 21” es el doble del de un televisor de 14”, será dos veces más
deseable lograr las ventas del televisor de 21”, que las del televisor de 14”.
3. Minimizar el tiempo extra de producción de la planta tanto como sea posible.

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

El proceso de producción se ilustra en la siguiente figura.

11
 Material x1 bienes de consumo
80 unidades 50 unidades

x2

Mano de obra x3 Bienes de inversión

60 unidades 90 unidades

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

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

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

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

Solución:

Sea

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

x2 = Cantidad de material utilizado en la producción de bienes de inversión.
x3 = Cantidad de mano de obra utilizada en la producción de bienes de inversión.

MÉTODO SIMPLEX PARA PROGRAMACIÓN POR METAS

12
 0 0 P1 0 0 0 0 0
Base D
D 1 1 1 0 0 0 0 -1 0
P1 0 1 1 1 0 0 0 -1 0
0 0 1 0 0 1 0 0 0 0
0 0 0 1 0 0 1 0 0 0
0 0 0 0 0 0 0 1 1 -1

0 0 0 0 0 0 0 P2
Base D
D 1 0 0 0 0 0 0 0 -1
0 0 1 1 1 0 0 0 -1 0
0 0 1 0 0 1 0 0 0 0
0 0 0 1 0 0 1 0 0 0
0 0 0 0 0 0 0 1 1 -1

0 0 0 5P3 3P3 0 0 0
Base D
D 1 5 3 0 0 0 0 0 0
0 0 1 1 1 0 0 0 -1 0
5P3 0 1 0 0 1 0 0 0 0
3P3 0 0 1 0 0 1 0 0 0
0 0 0 0 0 0 0 1 1 -1

13
 0 0 0 0 0 0 P4 0
Base D
D 1 0 0 0 0 0 0 -1 0
0 0 1 1 1 0 0 0 -1 0
0 0 1 0 0 1 0 0 0 0
0 0 0 1 0 0 1 0 0 0
0 0 0 0 0 0 0 1 1 -1

Mencione cinco aplicaciones de la programación de

metas, en la organización que ha considerado en las
actividades anteriores. (Coca-Cola)

14
Planificación de producción: Coca-Cola puede utilizar la programación de metas para
optimizar la asignación de recursos (como mano de obra, maquinaria y materias primas) en
la producción de bebidas, de manera que maximice la producción total y minimice los
costos.

Distribución de productos: La empresa puede emplear la programación de metas para

planificar las rutas de distribución de sus productos, determinando la cantidad óptima de
productos a enviar a cada ubicación de distribución para satisfacer la demanda de manera
eficiente y minimizando los costos de transporte.

Gestión de inventario: Coca-Cola puede utilizar la programación de metas para optimizar

los niveles de inventario en almacenes y centros de distribución, asegurando que haya
suficiente inventario disponible para satisfacer la demanda, al tiempo que se minimizan los
costos de almacenamiento y obsolescencia.

Mezcla de productos: La empresa puede emplear la programación de metas para determinar

la combinación óptima de productos a producir, teniendo en cuenta la demanda de cada
producto, los costos de producción y las limitaciones de recursos, con el objetivo de
maximizar los ingresos totales.

Planificación de la fuerza laboral: Coca-Cola puede utilizar la programación lineal para

optimizar la asignación de personal en diferentes áreas de la empresa, como producción,
distribución y ventas, de manera que se cubran las necesidades operativas y se minimicen
los costos laborales.

15