1.

La programación lineal : Es una técnica utilizada para optimizar un

sistema de ecuaciones lineales, sujeto a ciertas restricciones. Se utiliza
en una amplia variedad de campos, como la economía, la ingeniería, la
logística, entre otros.
El modelo se compone de tres elementos principales:
- La función objetivo que es la que busca maximizar o minimizar,
como por ejemplo maximizar las ganancias o minimizar los costos.
- Las restricciones que son las limitaciones que deben cumplirse,
como por ejemplo la disponibilidad de recursos o las capacidades
de producción.
- Las variables de decisión que son las incógnitas que se buscan
determinar, como por ejemplo la cantidad de productos a producir
o los precios a establecer.

El proceso de resolución de esta consiste en encontrar los valores

óptimos de las variables de decisión que maximizan o minimizan la
función objetivo, respetando todas las restricciones impuestas.

2. La solución gráfica de problemas de programación lineal en dos

dimensiones: es una técnica visual que permite representar
geométricamente las restricciones y la función objetivo en un plano
cartesiano. A través de esta representación gráfica, es posible identificar
de manera intuitiva la región factible (área donde se cumplen todas las
restricciones) y el punto óptimo que maximiza o minimiza la función
objetivo dentro de esa región.
Para resolverlo se siguen los siguientes pasos:
- Identificar las restricciones: Las restricciones del problema se
representan como ecuaciones lineales en forma de desigualdades
(por ejemplo, Ax + By ≤ C). Cada restricción se grafica en el plano
cartesiano como una recta.
- Identificar la función objetivo: Que se representa como una
ecuación lineal que se busca maximizar o minimizar. Esta función
se grafica en el plano cartesiano como una recta con una pendiente
determinada por los coeficientes de la función.
 - Determinar la región factible: La intersección de todas las rectas
que representan las restricciones define la región factible, es decir,
el área donde se cumplen todas las restricciones simultáneamente.
Esta región puede ser un área limitada o ilimitada, dependiendo de
la naturaleza del problema.

- Identificar el punto óptimo: Que se encuentra en uno de los

vértices de la región factible. Este punto se determina calculando
el valor de la función objetivo en cada uno de los vértices y
seleccionando aquel que optimice la función.

- Interpretar los resultados: Una vez identificado el punto óptimo,

se interpreta el resultado en función del problema específico. Por
ejemplo, si se trata de maximizar las ganancias, se determina
cuánto se puede ganar en ese punto óptimo.

3. El método simplex: Es un algoritmo eficiente y ampliamente utilizado en

la resolución de problemas de programación lineal debido a su capacidad
para encontrar soluciones óptimas en un tiempo razonable.
Los pasos del método simplex de resolución son:
- Formulación del problema: Se comienza con una función objetivo
a maximizar o minimizar y un conjunto de restricciones lineales que
limitan las variables de decisión.
- Formulación de la tabla simplex inicial: Se construye una tabla
que represente el sistema de ecuaciones lineales asociado al
problema. Esta tabla incluye las variables de decisión, las variables
de holgura (que se introducen para convertir las desigualdades en
ecuaciones), los coeficientes de la función objetivo y las constantes
de las restricciones.
- Determinación de la variable de entrada y salida: En cada
iteración del método simplex, se determina la variable de entrada
(que entrará en la base) y la variable de salida (que saldrá de la
 base). Esto se hace calculando los coeficientes reducidos
asociados a cada variable.
- Cálculo de los coeficientes pivotantes: Una vez se ha
identificado la variable de entrada y salida, se calculan los
coeficientes pivotantes que permiten realizar operaciones
algebraicas en la tabla simplex para llevar a cabo el intercambio de
variables en la base.
- Actualización de la tabla simplex: Se actualiza la tabla simplex
aplicando las operaciones pivotantes para intercambiar variables
en la base. Este proceso se repite hasta que no haya coeficientes
negativos en la fila correspondiente a la función objetivo, lo que
indica que se ha alcanzado la solución óptima.
- Interpretación de la solución óptima: Una vez se ha alcanzado
la solución óptima, se interpreta el resultado obtenido en términos
del problema original. Se determina cuál es el valor óptimo de la
función objetivo y las asignaciones óptimas para las variables de
decisión.

4. El método Simplex dual: Se utiliza como una alternativa eficiente

cuando la aplicación del método Simplex estándar es compleja o no
inmediata. Algunas formas de utilizar el Método Simplex Dual en la
resolución de problemas de programación lineal incluyen:
- Llevar el modelo a su forma estándar: Agregar variables de
exceso en cada restricción y multiplicar las filas por -1 para obtener
una solución básica inicial infactible en las variables de exceso.
- Construir la tabla inicial del Método Simplex: Es necesario
disponer de una solución básica factible inicial para continuar con
las iteraciones del Método Simplex.
- Realizar iteraciones: Se deben seguir las iteraciones del Método
Simplex Dual, manteniendo la inmejorabilidad mientras se busca la
factibilidad y la optimalidad.
- Identificar la solución óptima: Al finalizar las iteraciones, se llega
a la solución óptima del problema, donde se evalúa el valor óptimo
 y se verifica que cumpla con las condiciones de no negatividad para
las variables básicas.

5. El análisis de sensibilidad: Es una técnica utilizada para evaluar cómo

cambia la solución óptima de un problema ante variaciones en los
coeficientes de la función objetivo, las constantes de las restricciones o
los recursos disponibles y proporciona información valiosa sobre la
estabilidad y robustez de la solución óptima, así como sobre el impacto
que pueden tener cambios en los parámetros del problema.
Algunos de los aspectos que se pueden analizar mediante el análisis de
sensibilidad son:
- Rango de variación de los coeficientes: Se determina cuánto
pueden variar los coeficientes de la función objetivo sin afectar la
solución óptima. Esto permite identificar cuáles son los valores
críticos que pueden cambiar antes de que la solución óptima se
vea afectada.
- Rango de variación de las constantes de las restricciones: Se
evalúa cómo los cambios en las constantes de las restricciones
impactan en la solución óptima. Esto es útil para determinar cuánto
pueden variar los recursos disponibles sin modificar la solución
óptima.
- Costo sombra: Indica cuánto aumentaría o disminuiría el valor de
la función objetivo por unidad adicional de un recurso o restricción
y es útil para tomar decisiones sobre la asignación óptima de
recursos.
- Rango de variación de los recursos: Se analiza cómo los
cambios en la disponibilidad de recursos afectan a la solución
óptima. Esto es importante para garantizar que la solución sea
factible y óptima en diferentes escenarios.