ESCUELA MILITAR DE INGENIERIA

“Mariscal Antonio José de Sucre”

CUESTIONARIO N 6

ESTUDIANTE: PAULO ALEXANDER RAMOS

CARRERA: INGENIERIA INDUSTRIAL

SEMESTRE: SEPTIMO

MATERIA: ADMINISTRACION DE OPERACIONES

DOCENTE: ING. ALEJO LAMAS ERLAN

SANTA CRUZ - BOLIVIA

 Cuestionario N° 6

Responder de manera concreta y clara a las siguientes preguntas:

1. ¿Defina que es programación lineal?

La programación lineal (PL) es una técnica matemática de optimización que se

utiliza para encontrar la mejor solución (máxima o mínima) a un problema en el
que la función objetivo y las restricciones son lineales. Esta técnica se aplica
ampliamente en administración, economía, ingeniería y operaciones para
maximizar o minimizar objetivos, como costos, ingresos, utilidades o tiempos, bajo
ciertas limitaciones de recursos o condiciones específicas.

Características principales de la programación lineal:

1. Función Objetivo Lineal : Se busca optimizar (maximizar o minimizar) una
función que es lineal en las variables de decisión. Por ejemplo, maximice
las utilidades o minimice los costos.

2. Restricciones Lineales : Las limitaciones o restricciones del problema

también son lineales y se expresan en forma de desigualdades o
igualdades (por ejemplo, limitación de recursos, como tiempo, dinero,
espacio, etc.).
3. No Negatividad : Las variables de decisión suelen estar restringidas a
valores no negativos, ya que representan cantidades físicas (como número
de productos o unidades de tiempo).

Aplicación práctica de la programación lineal:

En programación lineal, se formula un modelo matemático donde se define una

función objetivo y se establecen restricciones para representar los límites del
problema. Luego, mediante métodos como el gráfico (para problemas de dos
variables) o el método Simplex (para problemas de más variables), se resuelve el
modelo para encontrar la solución óptima.

2. ¿Quién desarrollo el método simplex? ¿Por qué este método fue tan
importante en el desarrollo de la investigación de operaciones?

El método Simplex fue desarrollado por el matemático y economista George

Dantzig en 1947. Este método revolucionó la investigación de operaciones y la
optimización lineal, ya que proporcionó una manera práctica y eficiente de resolver
problemas de programación lineal de gran escala.

Importancia del Método Simplex en la Investigación de Operaciones

 1. Solución Eficiente de Problemas Complejos : Antes del desarrollo del
método Simplex, la resolución de problemas de programación lineal era
compleja y poco práctica, especialmente para problemas con muchas
variables y restricciones. El método Simplex introdujo un procedimiento
sistemático para encontrar la solución óptima recorriendo los vértices de la
región factible del problema, lo que hizo que los problemas grandes fueran
abordables.
2. Aplicaciones en Diversas Áreas : El Simplex abrió nuevas posibilidades
en la investigación de operaciones, ya que permitió aplicar la programación
lineal a una variedad de campos como la economía, la logística, la
planificación de recursos, la producción y las finanzas. Esta capacidad de
optimización permitió mejorar la eficiencia y la toma de decisiones en
industrias enteras.

3. Base para el Desarrollo de Nuevas Técnicas : El éxito del método

Simplex estimuló el desarrollo de otros métodos de optimización y análisis,
como los métodos de optimización no lineal y la programación entera, así
como técnicas algorítmicas avanzadas que siguen siendo de uso común en
el campo de la investigación de operaciones.

4. Implementación en Computación : Con el crecimiento de la computación,

el Simplex fue uno de los primeros algoritmos implementados en
computadoras, permitiendo a los investigadores resolver problemas a gran
escala que hubieran sido imposibles de abordar manualmente.
3. ¿Mencione los elementos de un modelo de programación lineal?

Los elementos de un modelo de programación lineal son fundamentales para

formular y resolver problemas de optimización. A continuación se describen los
tres componentes principales:

1. Función Objetivo
La función objetivo es una expresión matemática que se desea maximizar o
minimizar. Representa el objetivo principal del modelo, como maximizar beneficios,
minimizar costos o lograr el mejor uso de recursos. Por ejemplo, en un problema
de producción, la función objetivo podría ser maximizar la ganancia total generada
por la venta de productos.

2. Variables de Decisión

Las variables de decisión son las incógnitas del modelo que representan las
opciones disponibles para el tomador de decisiones. Estas variables son
manipuladas dentro del modelo para encontrar la solución óptima. Por ejemplo, en
un problema agrícola, las variables podrían representar la cantidad de acres
dedicados a diferentes cultivos.
3. Restricciones

Las restricciones son condiciones que limitan las posibles soluciones del modelo.
Se expresan como ecuaciones o inecuaciones lineales que deben cumplirse para
que una solución sea considerada viable. Estas restricciones pueden derivarse de
limitaciones de recursos, capacidades de producción, requerimientos legales o
cualquier otra condición que afecte la toma de decisiones.

4. Describa los pasos para resolver utilizando el método gráfico

Identificar el punto de intersección:

4.- Observa si las rectas se interceptan:

Si se cruzan en un punto, ese punto es la solución del sistema (Sistema

Compatible Determinado).

Si son coincidentes, hay infinitas soluciones (Sistema Compatible Indeterminado).

Si son paralelas, no hay solución (Sistema Incompatible).

5.- Interpretar el resultado:

Dependiendo del tipo de intersección, interpreta si el sistema tiene una única

solución, infinitas soluciones o ninguna solución.
 5. Describa los pasos para resolver por el método simplex

Definir el Problema en Forma Estándar:

Convertir todas las inecuaciones en ecuaciones, añadiendo variables de holgura o

exceso según sea necesario. Asegurarse de que todos los términos
independientes sean no negativos
Generar la Matriz Inicial:

Construir la tabla simplex inicial que incluye los coeficientes de la función objetivo
y las restricciones, organizando las variables básicas y no básicas13.

Determinar la Solución Básica Inicial:

Identificar las variables que forman la solución básica inicial. Estas son
generalmente las variables de holgura que tienen un valor positivo en la matriz y
las demás se establecen en cero14.
Seleccionar la Variable de Entrada:

Examinar la fila correspondiente a la función objetivo (fila Z) y seleccionar la

variable con el coeficiente más negativo. Esta variable entrará en la base.
Seleccionar la Variable de Salida:

Calcular los cocientes entre los términos independientes y los coeficientes de la

columna de la variable que entra. La variable correspondiente al menor cociente
positivo será la que salga de la base.
Actualizar la Matriz:

Realizar operaciones de Gauss-Jordan para actualizar la tabla simplex,

sustituyendo las variables de entrada y salida, y recalculando los valores
necesarios.

Repetir el Proceso:
Volver al paso 4 y repetir el proceso hasta que no haya más coeficientes negativos
en la fila Z, lo que indica que se ha alcanzado la solución óptima.

6. Explique el significado de una restricción redundante

Una restricción redundante es aquella que no afecta la región de soluciones

factibles de un problema de programación lineal. Esto significa que la eliminación
de esta restricción no cambiará el conjunto de soluciones posibles que satisfacen
las demás restricciones del modelo.
 7. Explique cuando se tiene una solución acotada y no acotada

Una solución se considera acotada cuando existe una región factible cerrada y
limitada en la que se pueden encontrar soluciones óptimas. En este caso, las
variables de decisión están restringidas por las limitaciones impuestas por las
restricciones del problema, lo que significa que hay un máximo o mínimo
alcanzable para la función objetivo.

Por otro lado, una solución es no acotada cuando la región factible se extiende
indefinidamente en alguna dirección, lo que permite que la función objetivo crezca
o disminuya sin límite. Esto suele ocurrir en problemas de maximización o
minimización donde al menos una variable no está restringida adecuadamente.
8. Explique cuando un modelo de programación lineal no tiene solución

Un modelo de programación lineal puede no tener solución en dos situaciones

principales:

1. Solución No Factible

Un problema se considera no factible cuando no existe ningún punto que satisfaga

todas las restricciones simultáneamente. Esto ocurre cuando las restricciones son
contradictorias, es decir, no hay intersección entre las regiones definidas por las
inecuaciones.

2. Solución No Acotada
Un problema es no acotado si la región factible es infinita en alguna dirección,
permitiendo que la función objetivo crezca o disminuya indefinidamente sin
alcanzar un valor máximo o mínimo. Esto sucede, por ejemplo, cuando la función
objetivo es paralela a una de las restricciones y puede ser incrementada sin límite
dentro de la región factible14. En este caso, aunque existan puntos que cumplen
con las restricciones, no hay un valor óptimo definido para la función objetivo.

9. Explique cuando un modelo de programación lineal tiene solución

infinita

En programación lineal, un modelo tiene una solución infinita (o soluciones

múltiples) cuando existen infinitas combinaciones de valores de las variables
de decisión que satisfacen tanto la función objetivo como todas las restricciones
del problema, y todas estas soluciones producen el mismo valor óptimo para la
función objetivo. Esto suele ocurrir en un problema de maximización o
minimización cuando:
 1. La Función Objetivo es Paralela a una Restricción en la Región
Factible:
o Si la línea de la función objetivo es paralela a una de las
restricciones en el límite de la región factible y esta restricción no
limita el crecimiento de la función objetivo, entonces habrá múltiples
puntos en esta restricción que producen el mismo valor óptimo.

o Esto significa que toda una línea de puntos en el límite de la región

factible cumple con la condición de optimalidad.

2. Existen Vértices Adyacentes con el Mismo Valor de la Función

Objetivo:

o En programación lineal, la solución óptima suele encontrarse en un

vértice de la región factible. Sin embargo, si dos (o más) vértices
adyacentes tienen el mismo valor de la función objetivo, cualquier
punto en el segmento que conecta estos vértices será también una
solución óptima.

o Esto resulta en un número infinito de soluciones, ya que cualquier

combinación de puntos entre estos vértices satisface la función
objetivo de manera óptima.

Ejemplo de Solución Infinita

Supongamos que tenemos un problema de maximización con una función

objetivo:

Z=3x1+2x2Z = 3x_1 + 2x_2Z=3x1+2x2

y que las restricciones forman una región factible donde la línea de la función
objetivo es paralela a una de las restricciones. Si la función objetivo alcanza su
valor máximo a lo largo de esta restricción, entonces todos los puntos a lo largo de
esta línea (o segmento) serán soluciones óptimas.

Importancia de Detectar Soluciones Infinitas

Detectar soluciones infinitas es importante porque:

• Permite que la empresa o el tomador de decisiones elija la solución

específica que mejor se adapte a otros criterios (como costos adicionales o
preferencias).

• Ofrece flexibilidad en la aplicación práctica, ya que se pueden elegir entre

múltiples combinaciones de las variables para alcanzar el mismo valor
óptimo.
En el método Simplex, la presencia de soluciones múltiples se detecta cuando,
después de encontrar la solución óptima, todavía hay variables no básicas con
coeficientes cero en la fila de la función objetivo. Esto indica que una combinación
lineal de variables puede seguir dando el mismo resultado en la función objetivo,
generando así una solución infinita.

10. Defina análisis de sensibilidad de un modelo de programación lineal

El análisis de sensibilidad en un modelo de programación lineal es el estudio de

cómo los cambios en los parámetros de un modelo (como los coeficientes de la
función objetivo o los valores en las restricciones) afectan la solución óptima
obtenida. Este análisis permite entender la robustez de la solución ante
variaciones en las condiciones del modelo y ayuda a los tomadores de decisiones
a evaluar el impacto de posibles cambios en el entorno o en los recursos
disponibles.

Componentes del Análisis de Sensibilidad

1. Cambios en los Coeficientes de la Función Objetivo:

o Permite evaluar cómo una variación en los coeficientes de la función

objetivo (por ejemplo, ganancias o costos unitarios) afecta el valor
óptimo de las variables de decisión.

o Esto es útil para entender el impacto de fluctuaciones en precios de

venta o costos de producción.

2. Cambios en los Lados Derechos de las Restricciones:

o Examina cómo modificaciones en la disponibilidad de recursos

(como horas de trabajo o cantidades de materia prima) afectan la
solución óptima.

o Permite determinar el rango permisible para cada recurso dentro

del cual la solución sigue siendo óptima.

3. Identificación de Variables Básicas y No Básicas:

o El análisis de sensibilidad muestra qué variables de decisión están

en la base y cuáles no, lo que permite identificar cómo las variables
podrían entrar o salir de la solución óptima ante cambios.

4. Rangos de Viabilidad y Optimalidad:

o Se calculan rangos dentro de los cuales los coeficientes de la función

objetivo y los valores de las restricciones pueden variar sin cambiar
la solución óptima o la estructura de la solución.
Importancia del Análisis de Sensibilidad

El análisis de sensibilidad es fundamental en la toma de decisiones, ya que:

• Permite identificar los factores más críticos del modelo, aquellos que más
afectan el resultado óptimo.

• Ayuda a la empresa a adaptarse a cambios en el mercado o en el entorno,

evaluando de antemano cómo estos cambios afectarían su plan.

• Facilita la evaluación de diferentes escenarios y la planificación estratégica,

al permitir que los responsables tomen decisiones informadas sobre ajustes
o inversiones.

11. Explique qué significa fila y columna pivote

Columna Pivote:

• La columna pivote se selecciona en cada iteración del método Simplex y

representa la variable que entrará en la base, es decir, la variable que se
convertirá en una variable básica en la próxima tabla del Simplex.

• Para seleccionar la columna pivote en un problema de maximización,

generalmente se elige la columna con el coeficiente más negativo en la fila
de la función objetivo (fila ZZZ), ya que indica la variable que más
aumentará el valor de ZZZ si se introduce en la solución.

• En problemas de minimización, se selecciona la columna con el valor más

positivo en la fila de la función objetivo.

Fila Pivote:

• La fila pivote indica la restricción que va a ser reemplazada en la base.

Esto representa la variable que saldrá de la base en la próxima iteración del
método Simplex.

• Para determinar la fila pivote, se realiza el cálculo de razones dividiendo

los valores en la columna del lado derecho (recursos disponibles) entre los
valores positivos correspondientes en la columna pivote. La fila pivote será
aquella que tenga el menor valor en este cálculo de razones, ya que este
mínimo asegura que se mantenga la factibilidad de la solución.

Elemento Pivote:

• El elemento pivote es el número que se encuentra en la intersección de la

fila pivote y la columna pivote. Este elemento se usa para realizar las
operaciones de fila necesarias para convertir el elemento pivote en 1 y
transformar el resto de la columna en ceros, preparando la tabla para la
próxima iteración.