República Bolivariana de Venezuela

Ministerio del Poder Popular para la Educación Universitaria

Universidad Nacional Experimental de la Gran Caracas (UNEXCA-PNFI)

Programa Nacional de Formación en Informática

Unidad Curricular: Matemática

Sección: 10131

Evaluación II

Integrantes:

Abrahan Marcano CI: 27.797.083

Joseph Burgos CI: 28.100.028

Kelvin Mendoza CI: 27.795.303

Caracas, 15 de marzo. de 2021

 Introducción.

El ser Humano en búsqueda de solventar las necesidades siempre ha buscado la manera

de solventar y optimizar procesos en todos los ámbitos conocidos, y esta no es la excepción

ya que la Programación Lineal con sus métodos, algoritmos y funciones, busca ofrecer

análisis estadísticos que permitan a una organización tomar decisiones que le permitan

obtener una evolución haciendo uso del apoyo en procesos de optimización, tomas de

decisiones como lo puede ser la venta de algún producto comercial o un servicio, el punto

es que se logre encontrar la manera de optimizar un problema específico ya que esta es la

finalidad de la programación lineal, conseguir la solución a un problema a través de

métodos que involucran a las inecuaciones y funciones lineales.

Con el pasar del tiempo la Programación Lineal y la implementación informática por

medio de software se han obtenido avances que hacen que las organizaciones hagan uso de

la Programación Lineal como método de soporte el cual no se exprese necesariamente con

números reales, sino también con razonamientos lógicos y matemáticos, los cuales siendo

plasmados en modelos específicos permiten a una organización tomar decisiones optimas

volviéndose un punto fundamental en el desarrollo organizacional de una entidad ya que

puede influir de manera significativa en grandes ámbitos.

También existen otras formas de contribuir con la toma de decisiones dentro de una

organización de manera efectiva, ya que si bien la programación lineal ayuda de manera

significativa a optimizar estos procesos, también existen otros métodos como El Método

Simplex; El cual busca optimizar la función objetivo mientras que el Método Simplex-

Dual, busca dar una solución más eficaz y optima al problema, haciendo uso de un segundo
problema que de manera directa se relacione con el problema principal, de forma que se

puedan encontrar soluciones alternativas al problema principal.

 En que consiste la Programación Lineal.

Existen muchos conceptos que hacen referencia a la programación lineal en donde la

llaman método matemático, en otros casos la definen como un algoritmo mediante el cual

se resuelve un problema indeterminado, según otros consiste en hallar valores que

maximizan o minimizan un único objetivo sujeto a una serie de restricciones de las cuales

se hablará más adelante, pero ¿En qué consiste realmente la Programación Lineal? La

programación línea consiste sencillamente en Optimizar, es simplemente un método

matemático el cual busca una optimización de una función ya sea minimizándola o

maximizándola de modo que busca la manera de obtener el mejor resultado en una

operación de cualquier índole como lo puede ser (Un mayor beneficio o un costo menor

para una organización). Cabe destacar que, se llama programación lineal ya que tanto el

objetivo como las restricciones son lineales, Es decir, las restricciones consisten en la suma

de variables multiplicadas por sus respectivos parámetros, siendo esta función menor, igual

o mayor que un determinado recurso.

Ahora bien estas funciones lineales tienen su formulas especificas al momento de aplicar

hacer uso de la programación lineal, ya sea para minimizar o maximizar la función de

manera que, la programación línea está compuesta por, Un conjunto de variables de

decisión, una función objetivo y un conjunto de restricciones.

Variables: Las variables son números reales mayores o iguales a cero. Xi ≥ 0

Restricciones

Las restricciones pueden ser de la forma:

Tipo 1: Aj=∑Ni=1ai,j×Xi
Tipo 2: Bj≤∑Ni=1bi,j×Xi

Tipo 3: Cj≥∑Ni=1ci,j×Xi

Donde:

· A = valor conocido a ser respetado estrictamente;

· B = valor conocido que debe ser respetado o puede ser superado;

· C = valor conocido que no debe ser superado;

· j = número de la ecuación, variable de 1 a M (número total de restricciones);

· a; b; y, c = coeficientes técnicos conocidos;

· X = Incógnitas, de 1 a N;

· i = número de la incógnita, variable de 1 a N.

Función Objetivo

La función objetivo puede ser:

Max!=∑Ni=1fi×Xi

 Min!=∑i=1Nfi×Xi

Donde:

· fi = coeficientes son relativamente iguales a cero.

 Ahora bien, la Programación lineal es un método matemático que ayuda a optimizar

funciones pero, cual es la importancia de la programación lineal y su participación en las

organizaciones, bueno si bien se puede llegar a pensar que no es más que una parte de las

matemáticas que debe ser estudiada pero, sin mucha posibilidades de ser aplicada en el

mundo real, y que en su mayoría debe ser estudiada para ser aplicada por matemáticos, la

realidad es que, la programación lineal ha evolucionado su aplicación con el pasar de los

años con la aplicación de la informática mediante software y hojas de cálculo, que sirven

para dejar atrás procedimientos totalmente matemáticos, para solventar problemas por

medio de la programación lineal y ahorrarse tiempo en largos y tediosos procesos de

cálculo manual ,permitiendo un análisis de resultados que, para una organización puede ser

más decisivo al momento de tomar una decisión que, obtener una respuesta numérica. De

modo que es importante ya que no solo es un procedimiento matemático más, sino que es

un potencial herramienta financiera que sirve como un soporte de toma de decisiones en

una organización, convirtiéndose en un punto referencial tanto para los matemáticos, como

para los ingenieros en sistemas, así como también para los administradores en empresas,

economistas, contadores entre otros, ya que ayuda a globalizar la información de una

manera más analítica y de allí radica su importancia en las organizaciones.

Solución grafica de problemas de dos dimensiones. Buscar 2 (dos) ejemplos.

Método gráfico

El método gráfico consiste en encontrar en primer lugar todos los puntos que son solución

del conjunto de restricciones; el conjunto de puntos solución se llama región factible.

Posteriormente hay que determinar, de todas las posibles soluciones, cuál o cuáles de ellas

optimizan la función objetivo.

Los gráficos de dos dimensiones tienen dos ‘ejes’, perpendiculares entre ellos. En un

gráfico, los ejes representan lo que se está midiendo y, por lo tanto, son verdaderas escalas

de medición.

Ejemplos:

Solución óptima múltiple

Una de las variantes que puede presentar un ejercicio de programación lineal consiste en la

cantidad de soluciones óptimas, gran cantidad de ellos presenta más de una solución

óptima, es decir una solución en la cual la función objetivo es exactamente igual en una

combinación cuantitativa de variables diferente.

La ebanistería «SALAZAR LTDA» ha recibido una gran cantidad de partes prefabricadas

para la elaboración de mesas, sin embargo no ha podido iniciar un plan de producción

enfocado a estas por la alta demanda que tiene de sus productos restantes. Las mesas que

pueden elaborarse de las partes prefabricadas son de dos modelos, modelo A y B, y estas no

requieren más que ser ensambladas y pintadas. Esta semana se ha determinado dedicar 10

horas de ensamble y 8 de pintura para elaborar la mayor cantidad de mesas posibles

teniendo en cuenta que cada mesa modelo A requiere de 2 horas de ensamble y 1 de pintura

respectivamente, y que cada mesa modelo B requiere de 1 hora de ensamble y 2 de pintura

respectivamente. Si el margen de utilidad es de $20000 por cada mesa modelo A y $10000

por cada mesa modelo B. Determine el modelo adecuado de producción para esta semana.

Variables

X = Cantidad de mesas modelo A a fabricar esta semana

Y = Cantidad de mesas modelo B a fabricar esta semana

Restricciones

2X + Y <= 10 «Horas de ensamble»

X + 2Y <= 8 «Horas de pintura»

X, Y => 0 «De no negatividad»

Función objetivo

Zmax = 20000X + 10000Y

La gráfica resultante sería:

Como nos podemos dar cuenta mediante la geometría en dos vértices la línea imaginaria

perpendicular a la función objetivo no atraviesa el conjunto solución, por ende en dos

puntos se presentan soluciones óptimas, que son los puntos B y C.

Observemos la solución óptima múltiple

Z(0) = 20000(0) + 10000(0) = 0

Z(A) = 20000(0) + 10000(4) = $40000

Z(B) = 20000(4) + 10000(2) = $100000

Z(C) = 20000(5) + 10000(0) = $100000

Existen entonces dos soluciones óptimas

Solución óptima 1

X=4 Y=2

Solución óptima 2

X=5 Y=0
Solución infactible

El caso de la solución infactible es más típico de lo pensado, y corresponde a los casos en

los cuales no existen soluciones que cumplen con todas las restricciones. Es muy común

ver este fenómeno producto de inviables proporciones de oferta y demanda.

La compañía de galletas «CAROLA» desea planificar la producción de galletas que tendrá

que entregar a su cliente en dos semanas, el contrato indica que la compañía «CAROLA»

se compromete a entregar por lo menos 300 cajas de galletas cualquiera sea su tipo

(presentación D, presentación N o una combinación de ambas presentaciones), cada caja de

galletas presentación D tiene un tiempo de elaboración de 2 horas, y un tiempo de horneado

de 3 horas, mientras cada caja de presentación N tiene un tiempo de elaboración de 3 horas

y un tiempo de horneado de 1 hora. La compañía cuenta estas dos semanas con 550 horas

para elaboración y con 480 horas de horneado. Teniendo en cuenta que el margen de

utilidad de cada caja de galletas presentación D y N es de $8500 y $8100 respectivamente,

determine mediante un modelo de programación lineal el plan de producción que maximice

las utilidades.

Variables

X = Cantidad de cajas de galletas presentación D a producir en 2 semanas

Y = Cantidad de cajas de galletas presentación N a producir en 2 semanas

Restricciones

2X + 3Y <= 550
3X + Y <= 480

X + Y => 300

Función Objetivo

Zmax = 8500X + 8100Y

La gráfica resultante es la siguiente:

Evidentemente, no existe forma alguna de satisfacer todas las restricciones, por ende se

concluye que no existe solución factible.

Teoría sobre Método Simplex de Resolución y Simple dual. Dos ejemplos

El método simplex es un procedimiento iterativo para resolver problemas de programación

lineal, donde se busca obtener la solución óptima de la función objetivo que logre cumplir

el conjunto de restricciones.

El algoritmo simplex parte de uno de los vértices del poliedro, y verifica si es el óptimo, si

no lo es, busca un nuevo vértice adyacente que va mejorando el valor de la función

objetivo. Se continúa iterando hasta llegar al vértice que representa la solución óptima.

Ejemplo de cómo resolver un problema por método simplex

Maximizar Z = f(x,y) = 3x + 2y

Sujeto a: 2x + y ≤ 18

2x + 3y ≤ 42

3x + y ≤ 24

x≥0,y≥0

Primero debemos realizar un cambio de variables y normalizar el signo de los

términos independientes.

Se realiza un cambio en la nomenclatura de las variables. Estableciéndose la

correspondencia siguiente:

x pasa a ser X1

y pasa a ser X2
Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de holgura, exceso y

artificiales según la tabla siguiente:

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial

= + artificial

≤ + holgura

En este caso se introduce una variable de holgura (X3, X4 y X5) en cada una de las

restricciones del tipo ≤, para convertirlas en igualdades, resultando el sistema de ecuaciones

lineales:

2·X1 + X2 + X3 = 18

2·X1 + 3·X2 + X4 = 42

3·X1 + X2 + X5 = 24

Igualar la función objetivo a cero.

Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0

Escribir la tabla inicial del método Simplex.

La tabla inicial del método Simplex está compuesta por todos los coeficientes de las

variables de decisión del problema original y las de holgura, exceso y artificiales agregadas
en el paso 2, y las restricciones. La columna Cb contiene los coeficientes de las variables

que se encuentran en la base.

La primera fila está formada por los coeficientes de la función objetivo, mientras que la

última fila contiene el valor la función objetivo y los costes reducidos Zj - Cj.

La última fila se calcula como sigue: Zj = Σ(Cbi·Pj) para i = 1..m, donde si j = 0, P0 = bi y

C0 = 0, y en caso contrario Pj = aij. Aunque al tratarse de la primera tabla del método

Simplex y ser todos los Cb nulos se puede simplificar el cálculo, y por esta vez disponer Zj

= -Cj.

Tabla I. Iteración nº 1

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 18 2 1 1 0 0

P4 0 42 2 3 0 1 0

P5 0 24 3 1 0 0 1

Z 0 -3 -2 0 0 0

Condición de parada.

Si el objetivo es la maximización, cuando en la última fila no existe ningún valor negativo

entre los costes reducidos se alcanza la condición de parada.

En tal caso se llega al final del algoritmo ya que no existe posibilidad de mejora. El valor

de Z (columna P0) es la solución óptima del problema.

Otro caso posible es que en la columna de la variable entrante a la base todos los valores

son negativos o nulos. Esto indica que el problema no se encuentra acotado y su solución

siempre resultará mejorable. Ante esta situación no es necesario continuar iterando

indefinidamente y también se puede dar por finalizado el algoritmo.

De no ser así, se ejecutan los siguientes pasos de forma iterativa.

Elección de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se escoge la

columna cuyo valor en la fila Z sea el menor de entre todos los negativos. En este caso sería

la variable X1 (P1) de coeficiente -3.

Si existiesen dos o más coeficientes iguales que cumplan la condición anterior, entonces se

optará por aquella variable que sea básica.

La columna de la variable que entra en la base se llama columna pivote.

Una vez obtenida la variable que entra en la base, se procede a determina cual será la

variable que sale de la misma. La decisión se toma en base a un sencillo cálculo: dividir

cada término independiente (columna P0) entre el elemento correspondiente de la columna

pivote, siempre que ambos elementos sean estrictamente positivos. Se escoge la fila cuyo

resultado haya resultado mínimo.

Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente. En caso de que

todos los elementos de la columna pivote fueran de ésta condición se habría cumplido la

condición de parada y el problema tendría una solución no acotada.

En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

El término de la columna pivote que en la división anterior dio lugar al menor cociente

positivo indica la fila de la variable de holgura que sale de la base. En este caso resulta ser

X5 (P5), de coeficiente 3. Esta fila se llama fila pivote.

Si al calcular los cocientes, dos o más resultados cumplen la condición para elegir el

elemento saliente de la base, se escoge aquella que no sea variable básica.

La intersección de la fila pivote y columna pivote marca el elemento pivote, en este caso el

3.

Actualizar la tabla.

Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote

En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en Columna

Pivote * Nuevo Elemento Fila Pivote)

Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras que el resto de

elementos de la columna pivote se anulan.

Se muestran a continuación los cálculos para la fila P4:

Anterior fila P4 42 2 3 0 1 0

- - - - - -

Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2

x x x x x x

1/ 1/
Nueva fila pivote 8 1 0 0
3 3

= = = = = =

7/ -
Nueva fila P4 26 0 0 1
3 2/3

La tabla correspondiente a esta segunda iteración es:

Tabla II. Iteración nº 2

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 2 0 1/3 1 0 -2/3

P4 0 26 0 7/3 0 1 -2/3
P1 3 8 1 1/3 0 0 1/3

Z 24 0 -1 0 0 1

Al comprobar la condición de parada se observa que no se cumple ya que entre los

elementos de la última fila hay uno negativo, -1. Se continúa iterando nuevamente los

pasos 6 y 7.

6.1. La variable que entra en la base es X2 (P2), por ser la variable que corresponde a la

columna donde se encuentra el coeficiente -1.

6.2. Para calcular la variable que sale, se dividen los términos de la columna P0 entre los

términos correspondientes de la nueva columna pivote: 2 / 1/3 [=6] , 26 / 7/3 [=78/7] y 8 /

1/3 [=24]. Como el menor cociente positivo es 6, la variable que sale de la base es X3 (P3).

6.3. El elemento pivote es 1/3.

7. Actualizando nuevamente los valores de la tabla se obtiene:

Tabla III. Iteración nº 3

 3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 6 0 1 3 0 -2

P4 0 12 0 0 -7 1 4

P1 3 6 1 0 -1 0 1

Z 30 0 0 3 0 -1

Una nueva comprobación de la condición de parada revela que entre los elementos de

la fila indicadora vuelve a haber uno negativo, -1. Significa que aún no se ha llegado a

la solución óptima y hay que seguir iterando (pasos 6 y 7):

6.1. La variable que entra en la base es X5 (P5), por ser la variable que corresponde al

coeficiente -1.

6.2. Se escoge la variable que sale calculando el cociente entre los términos de la columna

de términos independientes y los términos correspondientes de la nueva columna pivote:

6/(-2) [=-3] , 12/4 [=3], y 6/1 [=6]. En esta ocasión es X4 (P4).

6.3. El elemento pivote es 4.

7. Después de actualizar todas las filas, se obtiene la tabla siguiente:

Tabla IV. Iteración nº 4

 3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 12 0 1 -1/2 1/2 0

P5 0 3 0 0 -7/4 1/4 1

P1 3 3 1 0 3/4 -1/4 0

Z 33 0 0 5/4 1/4 0

Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos cumpliéndose, por

tanto la condición de parada.

La solución óptima viene dada por el valor de Z en la columna de los términos

independientes (P0), en este ejemplo: 33. En la misma columna se puede ver el punto

donde se alcanza, observando las filas correspondientes a las variables de decisión que han

entrado en la base: X1 = 3 y X2 = 12.

Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.

Método Simplex Dual

El Método Simplex Dual nos ofrece una alternativa algorítmica para abordar la resolución

de modelos de Programación Lineal. En particular este método se puede utilizar cuando

luego de llevar a la forma estándar un modelo de Programación Lineal.

Consideremos el siguiente problema para ilustrar sobre la aplicación del Método Simplex

Dual:

Para llevar el problema anterior a la forma estándar se requiere agregar 2 variables de

exceso no negativas para la restricción 1 y 2, que llamaremos respectivamente X4 y X5. De

esta forma el problema en su formato estándar queda definido por:

Luego construimos la tabla inicial del Método Simplex:

Es necesario disponer de una solución básica factible inicial. En este contexto si

quisiéramos usar X4 y X5 como variables básicas, se requiere que X4 y X5 sean mayores o

iguales a cero, sin embargo, sus coeficientes en las respectivas filas son negativos y por

tanto no se dispone de la identidad.

En consecuencia para formar la identidad podemos multiplicar por “-1” la fila 1 y 2,

obteniendo lo siguiente:

Ahora X4 y X5 son variables básicas y adoptan los valores de -1 y -3/2, respectivamente, lo

que claramente no satisface las condiciones de no negatividad para las variables de

decisión, es decir, no corresponde a una solución básica factible.

Sin embargo, en esta instancia podemos aplicar el Método Simplex Dual como alternativa

de resolución. Para ello seleccionaremos una variable que deje la base y adoptaremos como

criterio de selección aquella variable básica asociada al lado derecho más negativo.
En el ejemplo dicha variable es X5. Luego para determinar que variable entra a la base

realizamos un mínimo cociente entre el negativo del costo reducido de las variables no

básicas y las entradas estrictamente menores a cero para las variables no básicas en la fila 2.

Es decir: Min{-160/-2; -120/-2; -280/-2}=60 ==> el cociente mínimo se alcanza en la

segunda columna asociada a la variable no básica X2, por tanto dicha variable entra a la

base.

Finalmente se realiza una iteración realizando las operaciones filas que sean necesarias, de

modo de ingresar X2 a la base al mismo tiempo que X5 deja la base. Los resultados serían:

Notar que ahora las variables básicas son X4 y X2 donde sólo X4=-1/4 lo que no satisface

la condición de ser una solución básica factible. Por lo tanto realizamos una nueva

iteración, en este caso sacando de la base a la variable X4 y calculamos el mínimo cociente:

Min{-40/-1; -160/-3; -60/-1/2}=40 ==> el cociente mínimo está en la primera columna por

tanto la variable X1 entra a la base.

En consecuencia se actualiza la tabla quedando lo siguiente:

Las variables básicas ahora son X1=1/4 y X2=1/2, adicionalmente el costo reducido de las

variables no básicas también es mayor o igual a cero, por tanto estamos frente a la solución

óptima del problema.

Teoría sobre Análisis de Sensibilidad

El Análisis de Sensibilidad es una técnica muy utilizada en el ámbito económico, ya que,

este brinda la facilidad para tomar decisiones. Esta técnica determina cómo diferentes

valores de una variable independiente impactan en una variable dependiente bajo un

conjunto de supuestos.

Normalmente cuando se desarrolla un modelo, se da por hecho de que se conocen todas las

variables o valores, este se conoce como certidumbre. En realidad, no en muchos casos los

valores son verídicos. Un ejemplo seria: el precio del material, la mano de obra y el precio

final del producto en la fabricación; a este se le debe agregar la demora del proveedor, el

deterioro y otros factores que se generaran afectando el precio final del producto.

Algunos modelos matemáticos pueden cuantificar o expresar sin la necesidad de volver a

resolver el modelo. Esta se relaciona con:

1. cambio en los coeficientes de las variables de decisión; también se podría definir como,

la ganancia por unidad de variable.

2. Cambios en los lados derechos de las restricciones que definen el modelo; también se

podría decir como la cantidad de recursos disponibles.

Los cambios dentro de la primera matriz, también llamada matriz A son difíciles de

cuantificar o expresar, por lo que es recomendable realizar un modelo nuevo con los

cambios aplicados

Las variables de decisiones tienen los siguientes nombres, los cuales no cambian:

X1= Numero de Ha a plantar en la variedad Virginia

X2= Numero de Ha a plantar en la variedad Procesado

Coeficiente Objetivo: no afecta la forma de la región factible, por lo que no afectara a la

solución óptima, aunque si el valor de la función objetivo

Coeficiente Tecnológico: coeficiente te afectaran las variables de las restricciones, situado a

la izquierda de la igualdad

Recursos Disponibles: los cambios en RHS suponen desplazamientos paralelos de las rectas

asociadas a las restricciones.

MAX 10x + 20y

ST

3x + 1y >=9 (Recursos: tiempo, material, etc...)

1x – 3y >=5

(Coeficiente Tecnológico)

Se procede a realizar el análisis de sensibilidad a la función objetivo

Zo= 40X1 + 50X2

El parámetro o multiplicador puede cambiar

Zo= 40X1 + 50X2

↓ ↓

60X1 + 35X2

A este se le debe aplicar la regla del 100% el cual tiene una serie de pasos

Valor nuevo – Valor actual

________________________

Valor actual

60 – 40

______ = 0.5

40

35 – 50

______ = -0.30 | -0.30 | =0.30

50

0.50 + 0.30 = 0.80

Debido a que 0.80 es menor que 100, no afectara la solución óptima y dentro de la gráfica

no habrá problema.
Ahora se procede a realizar las restricciones de sensibilidad, los cuales tienen dos

restricciones, las cuales son: restricciones de oro y restricciones de plata; se debe proceder a

realizar los cambios de los valores que acompañan al coeficiente.

Restricción de oro: Restricción de Plata

X1 + 3/2 X2 = 750 3/2 X1 + X2 = 750

X1 + 3/2 X2 = 950 3/2 X1 + X2 =1000

Valor nuevo – Valor actual

________________________

Valor actual

950 – 750

________ = 0.26

750

1000 – 750

_________ = 0.33

750

0.26 + 0.33 = 0.5

0.59 es menor a 100, esto quiere decir que, el lado derecho de la ecuación de la desigualdad

no afecta, la región factible será factible.

Bibliografía
https://www.ingenieriaindustrialonline.com. (10 de junio de 2019). Obtenido de

https://www.ingenieriaindustrialonline.com/investigacion-de-operaciones/metodo-

grafico/

https://www.mty.itesm.mx. (5 de abril de 2017). Obtenido de

https://www.mty.itesm.mx/dmti/materias/tc3001/lecturas/tc3001-08-intro-

sensibilidad.pdf?fbclid=IwAR2fMRMZmbE5ebH_xvqhJHIQop17l_0Zcl539rKa-

JnWfygDqpr6EvmbBdM

https://www.plandemejora.com. (29 de septiembre de 2018). Obtenido de

https://www.plandemejora.com/metodo-simplex-paso-a-paso-ejemplos-maximizar-

minimizar/

Sy Corvo, H. (9 de junio de 2019). https://www.lifeder.com. Obtenido de

https://www.lifeder.com/analisis-sensibilidad/?

fbclid=IwAR3JUgPPkxHOVSjkJzJU8cRVtz9glmvFH2YhfHaXQxPug7sF5xcvjuF

ZCqk
 Conclusión.

Para concluir destacamos que la programación es muy importante para la resolución de

problemas tanto a nivel de algoritmos como también de problemas cotidianos, ya que

muchos de estos problemas se consideran lo suficientemente importantes como para

generar una serie de algoritmos para buscar su solución más óptima, también es importante

destacar que la programación lineal puede llegar a verse o ser importantes en temas como

economías de negocios, finanzas, operaciones de producción entre otras

Es por esto que cada vez es más utilizada en diversas organizaciones a nivel mundial siendo

esta de gran ayuda para la toma de decisiones y siendo un pilar de gran importancia en

cualquiera de sus métodos de implementación, ya que de cualquier forma cumplen con un

objetivo de optimización específico.