Resumen: equipo 6 – U2 El Método Simplex

Que es la programacion lineal?

Se trata de una técnica matemática que busca maximizar o minimizar una función objetivo
(como costos, ganancias o recursos), sujetándose a una serie de restricciones expresadas
mediante ecuaciones o desigualdades lineales.
¿QUE ES EL METODO SIMPLEX?
El método simplex es un algoritmo iterativo que resuelve problemas de programación
lineal al analizar los vértices de la región factible en un espacio multidimensional.
Ejemplos donde se utiliza el método simplex
Producción y manufactura Transporté y logística -Una empresa de envíos quiere encontrar
la ruta más económica para distribuir mercancías entre ciudades.
-Una fábrica quiere determinar cuántos productos fabricar para maximizar ganancias sin
exceder la disponibilidad de materiales y tiempo de trabajo.
Ventajas de su uso:
Optimizar la asignación de recursos: Utilizar el método Simplex para asignar de manera
eficiente los recursos disponibles, como mano de obra, materiales y tiempo de producción,
para maximizar la producción y ventas de productos electrónicos.
Optimizar los precios de venta: Utilizar el método Simplex para establecer precios de venta
óptimos que maximicen la utilidad, considerando los costos de producción, competencia y
la demanda del mercado.
Minimizar los costos de producción: Aplicar el método Simplex para minimizar los costos
de producción, incluyendo costos de materiales, mano de obra y otros gastos relacionados
con la fabricación de productos electrónicos.
Optimizar la distribución de productos: Utilizar el método Simplex para determinar la
distribución más eficiente de productos electrónicos a través de canales de venta,
minimizando costos logísticos y maximizando la cobertura del mercado.
¿Como Funciona?
 Formulación del problema Restricciones lineales Forma estándar o canónica Matriz
de coeficientes Debes formular correctamente el problema en términos de una
función objetivo a maximizar o minimizar.
 Es esencial identificar las variables y restricciones relevantes y establecer
correctamente los coeficientes y las desigualdades en la formulación del problema.
  Funciona mejor cuando el problema se formula en su forma estándar o canónica.
Esto implica que la función objetivo debe ser de maximización, todas las
restricciones deben ser desigualdades de tipo «<=» y todas las variables deben ser
no negativas.
 Debes construir la matriz de coeficientes que representa las restricciones del
problema.
 Esta matriz se utiliza en cada iteración del método simplex para determinar las
variables básicas y no básicas, y para calcular las mejoras en la función objetivo.
 Es aplicable a problemas de programación lineal, lo que implica que todas las
restricciones deben ser lineales. Si hay restricciones no lineales, deberás
transformarlas en su equivalente lineal utilizando técnicas de linealización o
considerar otros métodos de optimización más adecuados. Para utilizar el método
simplex de manera efectiva, debes tener en cuenta los siguientes elementos:
Metodos:
Metodo de M grandes Pasos del Método de M Grandes:
[Link] introducen variables artificiales p
[Link] asigna un coeficiente muy grande (M) a
[Link] usa el método simplex Si las variables artificiales permanecen en la solución óptima,
significa que el problema no tiene solución factible .
4. Metodo de dos fases Pasos del Método de Dos Fases:
Fase 1: Búsqueda de una solución factible Se introducen variables [Link]
convertirlas Se define una nueva función objetivo auxiliar, que es la suma de todas las
variables artificiales. Se aplica el método simplex p Si la función auxiliar alcanza un valor
de cero ,
Fase 2: Optimización del problema original Se eliminan las variables artificiales. Se
resuelve el problema original con el método simplex ¿Cuando usarlo? Cuando hay
restricciones de igualdad (=) . Cuando hay restricciones de tipo ≥, que Cuando no se puede
encontrar fácilmente una solución factible inicial. ¿Cuando usarlo? Cuando hay
restricciones de igualdad (=)omayor o igual (≥) . Cuando se prefiere evitar el pr Cuando se
quiere penalizar fuertemente el uso de variables artificiales

Ejemplo practico . Un granjero posee 100 hectáreas para cultivar trigo y alpiste. El costo de
la semilla de trigo es de $4 por hectárea y la semilla de alpiste tienen un coste de $6 por
hectárea. El coste total de mano de obra es de $20 y $10 por hectárea respectivamente. El
ingreso esperado es de $110 por hectárea de trigo y $150 por hectárea de alpiste. Si no se
desea gastar más de $480 en semillas ni más de $1500 en mano de obra. ¿Cuántas hectáreas
de cada uno de los cultivos debe plantearse para obtener la máxima ganancia?

Mi conclusión de este tema: El método gráfico es

una herramienta visual muy útil, especialmente en problemas de matemáticas o de
optimización, como resolver sistemas de ecuaciones o programaciones lineales. Su
principal ventaja es que permite interpretar soluciones de manera intuitiva, ya que puedes
observar cómo las gráficas interactúan en un espacio cartesiano y localizar soluciones,
como puntos de intersección.
Sin embargo, su utilidad está más limitada cuando el problema tiene más de dos variables,
ya que es difícil representarlas en un espacio tridimensional o mayor.

Resumen equipo 1 - 2.1. Método gráfico. 1

¿QUE ES EL METODO GRAFICO?
 El método gráfico es una técnica de solución de problemas de programación lineal que se
utiliza principalmente para casos con dos variables. Aunque no es muy práctico para una
gran cantidad de variables, es muy útil para interpretar y analizar los resultados y la
sensibilidad del problema.
VENTAJAS: Visualización clara: Permite interpretar gráficamente la región factible y la
solución óptima. Simplicidad: Es fácil de entender y aplicar en problemas pequeños.
Intuición geométrica: Ayuda a comprender cómo afectan las restricciones y la función
objetivo. Identificación de múltiples soluciones: Se pueden detectar soluciones múltiples o
problemas sin solución
DESVENTAJAS: Limitado a dos variables: No es aplicable a problemas con más de dos
variables de decisión. Dificultad con muchas restricciones: Cuando hay muchas
restricciones, el gráfico puede volverse complejo de interpretar. Falta de precisión: En
algunos casos, la solución óptima puede ser difícil de leer con exactitud en el gráfico. No
aplicable a problemas grandes: Para problemas con más variables, se requiere el método
simplex o software especializado.
APLICACIONES DEL METODO GRAFICO 1 programación lineal 2 ingeniería industrial
3 administración y fianzas 4 transporte y logística 5 economía 6 investigación operativa
Determinación de la Función Objetivo Definición del Problema: Primero, se necesita
identificar el problema que se desea resolver. Esto puede involucrar maximizar o minimizar
una determinada variable, como beneficios, costos, o tiempo. 1. Variables de Decisión:
Identificar las variables que afectan el resultado del problema. Estas son las variables que
se controlarán para influir en la función objetivo. 2. Función Objetivo: Desarrollar una
expresión matemática que describa el objetivo que se desea alcanzar, utilizando las
variables de decisión. Por ejemplo, en un problema de maximización de beneficios, la
función objetivo podría ser una ecuación que sume todos los ingresos y reste todos los
costos. 3. D
Optimización Restricciones: Identificar las limitaciones o restricciones que afectan las
variables de decisión. Estas restricciones deben ser incorporadas en el modelo matemático.
1. 2. Métodos de Optimización: Métodos Exactos: Como la programación lineal, la
programación entera, y la programación no lineal, que buscan encontrar la mejor solución
exacta al problema. Métodos Heurísticos y Metaheurísticos: Como algoritmos genéticos,
búsqueda tabú, y recocido simulado, que buscan soluciones buenas (pero no
necesariamente óptimas) en un tiempo razonable.
Limitaciones del método grafico:
método gráfico es una herramienta visual utilizada para resolver problemas de
programación lineal, especialmente aquellos que implican dos variables. Aunque es útil
para visualizar y entender la solución de estos problemas, presenta varias limitaciones. En
primer lugar, su aplicación es práctica solo cuando se trabaja con dos variables de decisión;
cuando hay más de dos, el método se vuelve impráctico debido a la complejidad de
representar dimensiones adicionales en un gráfico. Además, este método no es adecuado
para problemas que involucran restricciones no lineales o funciones objetivo no lineales
Ejemplo de las limitaciones del metodo grafico:
El método gráfico es una técnica utilizada principalmente en programación lineal para
resolver problemas de optimización que involucran dos variables. Este enfoque permite
visualizar las restricciones y la función objetivo en un plano cartesiano, facilitando la
identificación de la solución óptima. Sin embargo, el método gráfico tiene ciertas
limitaciones. Una de sus principales desventajas es que solo es aplicable cuando se trabaja
con dos variables, ya que graficar en más dimensiones se vuelve impráctico. Además, la
precisión puede verse comprometida debido a la escala del gráfico y la exactitud al
determinar el punto óptimo. A pesar de estas limitaciones, el método gráfico es una
herramienta valiosa para comprendercomprender visualmente problemas básicos de
programación lineal y es especialmente útil en contextos educativos para ilustrar conceptos
fundamentales de optimización. Limitaciones del método grafico.
Mi opinión sobre el tema: el método gráfico es como un excelente puente entre las
matemáticas abstractas y su representación práctica. Puede simplificar conceptos complejos
y hacerlos más accesibles, lo que lo convierte en una herramienta poderosa en la enseñanza
y el aprendizaje.

Resumen, equipo 3-PROCEDIMIENTO PARA RESOLVER PROBLEMAS CON

VARIABLES ARTIFICIALES (M GRANDE, DOBLE FASE)
Introducción a las variables artificiales
Las variables artificiales son herramientas fundamentales en la programación lineal. En
términos sencillos, las variables artificiales son introducidas para garantizar que el
problema de optimización sea factible desde el principio, permitiendo que se pueda aplicar
métodos de resolución como el Método Simplex.
Propósito de las variables artificiales
El objetivo de introducir las variables artificiales es crear una solución factible artificial
para que el algoritmo de optimización pueda iniciar su proceso de búsqueda hacia la
solución óptima. Estas variables no tienen un significado real en el contexto del problema,
ya que representan solo un "truco" matemático para facilitar el proceso de resolución.
Metodo M grande
Concepto
Cuando un problema de programación lineal tiene restricciones de la forma "2" o "=", no se
puede aplicar directamente el método simplex, ya que requiere una base factible inicial.
Para solucionar esto, se agregan variables artificiales, que se eliminan progresivamente
asignándoles un costo muy alto (M) en la función objetivo.
Metodo doble fase
Este método descompone el problema en dos partes de forma que en la primera se eliminan
las variables artificiales.
La segunda parte se resuelve mediante el algoritmo Simplex
Se añade a las variables artificiales (Ri) a las restricciones (=, >)
Metodo doble fase
Fase 1
• Anadir variables artificiales no negativas a las restricciones
Resolver PL de la fase 1 con las variables artificiales.
• Formular un nuevo problema remplazando la función objetivo por la suma de las
variables artificiales
Minimizamos sujeto al problema original que 0 entonces el problema no tiene solución por
ende no existen soluciones factibles.
Aplicaciones y consideraciones
- CASOS DE USO EN LA OPTIMIZACIÓN:
Los métodos M grande y doble fase se utilizan cuando no hay una base factible inicial. Son
útiles en logistica, asignación de recursos y optimización industrial.
SOFTWARE Y HERRAMIENTAS COMPUTACIONALES PARA RESOLVER
PROBLEMAS CON VARIABLES ARTIFICIALES:
• Excel Solver: Permite resolver problemas de programación lineal pero solo para fines
educativos y no complejos.
• LINDO/LINGO: Software especializado en optimización que implementa el método
simplex.

Aplicaciones y consideraciones
PRECAUCIONES AL APLICAR ESTOS MÉTODOS:
• M grande puede generar errores numéricos por valores muy grandes.
• Doble fase es más estable, separando el problema en dos etapas.
• Es clave formular bien el problema antes de usar estos métodos.

M Grande
Ventajas
 Soluciona problemas con restricciones difíciles: Permite manejar restricciones de
desigualdad sin necesidad de reformular el problema.
 Garantiza una solución inicial: Al introducir variables artificiales con un coeficiente
grande (M), el método asegura que la solución comience en una base factible.
 Compatible con el método simplex: Se puede implementar dentro del algoritmo
simplex sin necesidad de cambios drásticos.

M Grande
Desventajas
X Elección de M: Si M es demasiado grande, puede causar problemas numéricos, como
errores de redondeo o inestabilidad en los cálculos.
X Mayor complejidad computacional: Introducir variables artificiales aumenta el número
de restricciones y el tamaño del problema.
X No es la opción más eficiente: En algunos casos, el método de las dos fases es preferible,
ya que evita la necesidad de elegir un valor M.
Opinion sobre el tema :
 El método de M-Grande es más directo, pero el uso de un número grande puede generar
inestabilidad en cálculos computacionales.
El método de Doble Fase es más estructurado y seguro desde el punto de vista
numérico, aunque requiere más pasos.
En la práctica, el método de Doble Fase suele preferirse en software de optimización
debido a su estabilidad.
Resumen equipo 4 - CASOS ESPECIALES DE PROGRAMACION LINEAL
Consiste en encontrar el óptimo (máximo o mínimo) de una función lineal en un
conjunto que puede expresarse como la intersección de un número finito. A veces
surgen casos especiales y dificultades cuando se utiliza el enfoque gráfico para resolver
problemas de PL:
 (1)Soluciones multiples
 (2) Soluciones acotada
 (3) Region factible
 (4) Variables degeneradas
 (5) Ciclos en el metodo simplex
 (6) Redundancia en restricciones
 (7) Cambio en los coeficientes

SOLUCIONES MULTIPLES
Las soluciones multiples ocurren cuando Un problema de programación lineal tiene
múltiples soluciones óptimas si: La función objetivo es paralela a una restricción activa en
el punto óptimo. El coeficiente de la función objetivo permite que más de un punto en la
frontera de la región factible tenga el mismo valor óptimo.
SOLUCION NO ACOTADA
 PRINCIPALES IDEAS En programación lineal, una solución no acotada ocurre
cuando la función objetivo puede aumentar o disminuir indefinidamente sin violar
ninguna restricción del problema. Esto significa que no existe un óptimo finito.
 CASOS ESPECIALES DE SOLUCIONES NO ACOTADAS
Falta de Restricciones que Limiten la Función Objetivo Si ninguna restricción
impide que la función objetivo crezca indefinidamente en una dirección factible,
entonces el problema es no acotado.
 CASOS ESPECIALES DE SOLUCIONES NO ACOTADAS
Modelo Mal Planteado o Falta de Restricciones Críticas A veces, un modelo mal
formulado (por errores en la definición de restricciones) puede dar lugar a
soluciones no acotadas
 REGIÓN FACTIBLE VACÍA En optimización matemática, una región factible es el
conjunto de soluciones que cumplen todas las restricciones del problema.
 REGIÓN FACTIBLE VACÍA Ocurre cuando no existen soluciones que satisfagan
todas las restricciones simultáneamente. Consecuencia: Si la región factible es
vacía, el problema no tiene solución.
 VARIABLES DEGENERADAS Se da cuando una o más variables básicas toman
un valor de cero en la solución óptima, lo que puede causar ciclos en el método
simplex.

CAUSAS DE LA DEGENERACION
La degeneracion suele ocurrir en los siguientes esceņarios: Restricciones
redundantes: Cuando una o mas restricciones no aportan nueva informacion al
sistema,es decir pueden ser combinaciones lineales de otras restricciones existentes

IMPLICACIONES DE LAS VARIABLES DEGENERADAS La presencia de

variables degeneradas pueden tener varias consecuencias en el proceso de
optimizacion: Ciclado: El metodo simplex puede entraren un ciclo, repitiendo las
mismas soluciones sin avanzar hacia una mejor solucion optima. Esto se debe a que,
al pivotear la solucion no cambia significativamente debido a la presencia de
variables basicas con valor cero. Estancamiento: Aunque no forme un ciclo, el
proceso hacia la solucion optima puede ralentizarse, ya que las iteraciones no
producen mejoras en el valor de la función objetivo

CICLO EN EL METODO SIMPLEX

Un ciclo en el metodo simplex ocurre cuando el algoritmo repite las mismas
soluciones sin avanzar hacia la optima. Esto sucede cuando hay soluciones
degeneradas, es decir, cuando una o mas variables basicas toman el valor cero.

Restricciones Redundantes en Regresión Lineal

Una restricción redundante es aquella que no cambia el conjunto de soluciones
factibles porque la información que aporta ya está incluida en otras restricciones. Se
puede eliminar sin afectar la solución óptima.
Métodos para Identificar Restricciones Redundantes
1. Método Heurístico
o Se basa en el análisis de la situación y el diseño de estrategias para
identificar restricciones innecesarias.
 oSe usa en informática para diseñar algoritmos rápidos y eficientes.
2. Método de Bonificación
o Evalúa la influencia de cada restricción en la solución del problema y la
ajusta si es necesario.
3. Método Determinista
o Usa cálculos y comprobaciones matemáticas precisas para determinar si una
restricción es redundante.
4. Método LP (Programación Lineal)
o Se usa para tomar decisiones óptimas en problemas de maximización o
minimización.
o Ejemplo: Maximizar ganancias o minimizar costos considerando recursos
disponibles (materiales, maquinaria, mano de obra).

Opinión del tema:

la información es clara y aborda los conceptos fundamentales sobre restricciones

redundantes en regresión lineal y los métodos para identificarlas. Es una buena base
teórica, pero podría enriquecerse con ejemplos prácticos y una mayor profundidad en la
explicación de los métodos.

La relación con la programación lineal (LP) está bien mencionada, pero faltaría
explicar con más detalle cómo afecta la eliminación de restricciones redundantes a
la eficiencia de los modelos de regresión.

Resumen equipo 5 -Metodo dual simplex

Se utiliza para resolver problemas de programación lineal, especialmente cuando se
tienen que realizar ajustes en un problema ya resuelto debido a cambios en las
restricciones o en la función objetivo.

dualidad en programación lineal

Cada problema de programación lineal tiene un problema dual asociado. Mientras
que el método simplex aborda el problema primal, el dual simplex se centra en el
problema dual.

Cada variable del dual está asociada a una restricción del programa primal, y su
valor óptimo representa el incremento de la función objetivo del primal por cada
unidad que aumente el término independiente de dicha restricción, siempre que este
último aumento no suponga un cambio de base. Es, por tanto, el precio adicional
máximo que estamos dispuestos a pagar por el incremento del recurso. Los valores
de estas variables se denominan precios sombra.
CONDICIONES DE OPTIMALIDAD
Cada variable del dual está asociada a una restricción del programa primal, y su
valor óptimo representa el incremento de la función objetivo del primal por cada
unidad que aumente el término independiente de dicha restricción, siempre que este
último aumento no suponga un cambio de base. Es, por tanto, el precio adicional
máximo que estamos dispuestos a pagar por el incremento del recurso. Los valores
de estas variables se denominan precios sombra.
ITERACIONES
En cada iteración del método dual simplex, se busca mejorar la solución dual
mientras se ajusta la solución primal para que siga siendo factible. Esto implica
seleccionar una variable que se convierta en básica (entrante) y otra que se convierta
en no básica (saliente).
APLICACIONES:
El método dual simplex es especialmente útil en situaciones donde se realizan
cambios en las restricciones de un problema ya resuelto, como en problemas de
planificación, optimización de recursos y logística.
El método Dual Simplex es una herramienta poderosa cuando se trabaja con
problemas de optimización donde la factibilidad es un desafío. Es especialmente útil
en situaciones donde los modelos cambian constantemente y se requiere ajustar
soluciones de manera eficiente.

Resumen equipo 6-Relaciones PrimalDual

En el ámbito de la optimización matemática, las relaciones primal-dual son

fundamentales para resolver problemas de programación lineal y no lineal. Estas
relaciones permiten entender cómo un problema de optimización (problema primal)
tiene un problema asociado (problema dual) cuyas soluciones están interconectadas

Problema primal

Es el problema de optimización original, en el que se busca maximizar o minimizar

una función objetivo sujeta a un conjunto de restricciones. Un problema de
programación lineal en su forma estándar se expresa como: Problema Primal
Donde: “C” es el vector de coeficientes de la función objetivo.“A” es la matriz de
coeficientes de restricciones. “B” es el vector de términos independientes. “X” es el
vector de variables de decisión.
Problema Dual A cada problema primal le corresponde un problema dual,
construido a partir de los coeficientes de las restricciones del primal. La forma
general del dual de un problema de minimización es:
Relaciones entre el problema Primal y Dual Dualidad Debil: • La solución óptima
del problema “Dual” siempre proporciona un límite sobre la solución del problema
“Primal” . Es decir W*
Dualidad Fuerte: • Si ambos problemas tienen solución óptima, los valores de sus
funciones objetivo son iguales: W*= Z* • Esto ocurre cuando se cumplen ciertas
condiciones, como la condición de Slater en programación convexa.
Complementariedad Prima-Dual: • En la solución óptima, cada restricción activa en
el primal tiene un efecto en la solución “Dual” . Esto se expresa matemáticamente
como: Yj (AjX - Bj）=0 • Si una restricción no está activa en la solución óptima, la
variable dual correspondiente será cero

Precios sombra y su interpretacion

Los precios sombra representan el valor de un recurso escaso en un problema de
optimizaciónSe interpretan como la variación en la función objetivo cuando se
aumenta en una unidad la disponibilidad de un recurso. Ejemplo: Consideremos un
problema de maximización de beneficios en una fábrica con restricciones demateria
prima y mano de obra. Si el precio sombra de la materia prima es 5, significa que
incrementar en una unidad la disponibilidad de esa materia prima aumentaría las
ganancias en 5 unidades monetarias. Un precio sombra de 0 indica que la restricción
no está activa, es decir, aumentar ese recurso no mejora la solución óptima. Los
precios sombra se obtienen a partir de las variables duales, que corresponden a los
coeficientes en la solución óptima del problema dual.

Ejercicio practico
Un hospital necesita cubrir tres turnos diarios (mañana, tarde y noche). El objetivo
es minimizar el costo de contratación de enfermeros, asegurando que cada turno
tenga el mínimo requerido de personal. E

Formulacion del problema primal Variables de decisión:

x1 = Número de enfermeros asignados al turno de mañana. x2 = Número de
enfermeros asignados al turno de tarde. x3 = Número de enfermeros asignados al
turno de noche. Función Objetivo (Minimizar costos de contratación): minZ= 500x1
+ 600x2 + 800x3 Restricciones (Cobertura mínima por turno): x1≥10 (Mañana)
x2≥8 (Tarde) x3≥6 (Noche>) x1,x2,x3≥0
Variables duales: y1: Valor de aumentar la disponibilidad de enfermeros en el turno
de mañana. y2: Valor de aumentar la disponibilidad de enfermeros en el turno de
tarde. y3: Valor de aumentar la disponibilidad de enfermeros en el turno de noche.
Formulacion del problema dual Función Objetivo (Maximizar el valor de la escasez
de personal): maxW=10y1+8y2+6y3 Restricciones (Relación entre costos y precios
sombra): y1≤500(Turno mañana no debe costar maˊ s que contratar enfermeros)
y2≤600(Turno tarde no debe costar maˊs que contratar enfermeros) y3≤800(Turno
noche no debe costar maˊ s que contratar enfermeros) y1,y2,y3≥0
Los valores óptimos de y1,y2,y3 nos dicen: Si y1=500, significa que cada
enfermero adicional en la mañana tiene un valor marginal de $500 para el hospital.
Si y2=0, significa que el turno de tarde no es crítico, y agregar más enfermeros en
ese turno no reduciría costos. Si y3=800, indica que cada enfermero adicional en el
turno de noche es altamente valioso, y contratar más personal nocturno podría ser
clave. 🔹 Si un precio sombra es cero, el recurso no es escaso. 🔹 Si es positivo,
indica cuánto se reducirían los costos si se aumentara la dotación de personal. I
Opinión sobre el tema:
Las relaciones primal-dual son una herramienta clave en la optimización,
permitiendo análisis más profundos y estrategias eficientes para resolver problemas.
Su aplicación en economía, logística y finanzas las hace muy valiosas, aunque
pueden requerir un conocimiento sólido de programación lineal para su correcta
interpretación.

Resumen equipo 1-2.7. Análisis de sensibilidad e interpretación de resultados.

El análisis de sensibilidad es una técnica utilizada para examinar cómo los cambios
en las entradas de un modelo afectan los resultados que se obtienen. Imagina que
tienes un modelo que predice algún resultado (por ejemplo, las ganancias de una
empresa), y este modelo depende de varias variables, como el precio de los
productos, el costo de producción o la demanda. El análisis de sensibilidad te ayuda
a entender qué pasaría si esas variables cambian.

CONCEPTO
Es una técnica utilizada para evaluar cómo los cambios en las variables de entrada
de un modelo afectan los resultados o la variable de salida. Su objetivo principal es
determinar cuáles factores tienen mayor impacto en el resultado final y cómo la
incertidumbre en las variables de entrada puede influir en la toma de decisiones.

IMPORTANCIA
Es fundamental para comprender cómo las variaciones en las entradas de un modelo
afectan sus resultados. Su importancia radica en mejorar la toma de decisiones, ya
que permite identificar las variables clave que tienen mayor impacto, lo que facilita
priorizar acciones y reducir riesgos. Además, ayuda a evaluar la robustez de un
modelo, asegurando que los resultados sean estables ante cambios en las
condiciones

TIPOS
Análisis de Sensibilidad Univariante En esta perspectiva, se modifica una variable
de entrada a la vez, manteniendo constantes las demás variables. Análisis de
Sensibilidad Multivariante El análisis de sensibilidad multivariante implica la
alteración simultánea de varias variables de entrada. El análisis de sensibilidad
global Examina el efecto de cambios en todas las variables de entrada, teniendo en
cuenta sus interacciones y dependencias mutuas, sobre las variables de salida. Este
enfoque proporciona una visión exhaustiva de la sensibilidad del modelo o sistema
ante las incertidumbres y variaciones en las variables de entrada

HERRAMIENTASYSOFTWAREUTILIZADOS
Existen diversas herramientas y software utilizados en diferentes ámbitos, desde el
trabajo profesional hasta el uso personal. En el ámbito de la productividad, por
ejemplo, Microsoft Office y Google Workspace son ampliamente utilizados para
crear documentos, hojas de cálculo y presentaciones. Para la edición de gráficos y
diseño, Adobe Creative Cloud.

BENEFICIOSDELANÁLISISDE SENSIBILIDAD
Predicción de resultados positivos o negativos de un proyecto. Optimizar los
recursos de una empresa. Ayuda a tomar las decisiones adecuadas. Da más
credibilidad debido al conjunto de posibilidades. Hay más flexibilidad Los
inconvenientes son: No utiliza distribuciones de probabilidad en el análisis del VAN
o de la TIR, algo que sí hace el análisis de escenarios. Solo se puede utilizar una
variable cuando se estudia un análisis de sensibilidad

LIMITACIONESENEL ANÁLISISDE SENSIBILIDAD

El análisis de sensibilidad generalmente asume que las variables de entrada son
independientes entre sí, lo que puede no ser el caso en situaciones reales donde las
variables pueden estar correlacionadas. Además, este tipo de análisis suele centrarse
en variaciones dentro de un rango específico, lo que podría no capturar cambios
extremos o inesperados en las variables.

Opinión sobre el tema :

El análisis de sensibilidad es una herramienta fundamental para optimizar
decisiones y evaluar la robustez de un modelo de programación lineal. Sin embargo,
debe interpretarse con cuidado, considerando tanto los límites de variación como los
supuestos del modelo.
Resumen equipo 2 -. Uso de software.
¿Qué es el método simplex? El método Simplex es un procedimiento iterativo que
permite mejorar la solución de la función objetivo en cada paso. El proceso
concluye cuando no es posible continuar mejorando dicho valor, es decir, se ha
alcanzado la solución óptima (el mayor o menor valor posible, según el caso, para el
que se satisfacen todas las restricciones).

¿Para que nos sirve un software aplicado al método simplex? para permitir
identificar soluciones no factibles o ilimitadas: Durante el proceso de resolución, el
método simplex puede detectar si el problema no tiene solución factible o si tiene
múltiples soluciones óptimas. Esto es útil para comprender mejor la naturaleza del
problema y tomar decisiones adecuadas

Ventajas de utilizar software para método simplex

 Rapidez y precisión
Resuelve problemas en segundos y minimiza errores humanos en los
cálculos.
 Facilidad de uso
Interfaces gráficas intuitivas permiten ingresar datos y obtener resultados
fácilmente.
 Automatización
Evita cálculos manuales complejos, reduciendo el riesgo de equivocaciones.
 Capacidad de análisis
Permite realizar análisis de sensibilidad para evaluar cambios en las variables.
 Escalabilidad
Maneja problemas con muchas variables y restricciones sin afectar el rendimiento.
 Integración con otras herramientas
Exporta datos a Excel, bases de datos u otros softwares de análisis.

Desventajas de utilizar software para método

 Algunos programas avanzados requieren licencias costosas.
 Dependencia de la tecnología
 Si el software falla, puede retrasar el proceso de resolución.
 Limitaciones del software
 No todos los programas pueden manejar restricciones o problemas muy
grandes.
 Requiere conocimientos previos
 Es necesario entender el método simplex para interpretar bien los resultados.
  Menor aprendizaje del método Usarlo sin entender la teoría puede generar
dependencia sin comprensión real.
Opinión sobre el tema:
El Método Simplex sigue siendo una herramienta fundamental en optimización, pero su
ejecución manual es poco práctica para problemas grandes. El uso de software
especializado ha hecho que su aplicación sea más accesible, permitiendo resolver
problemas más rápido y con mayor precisión.