INSTITUTO TECNOLÓGICO DE SAN LUIS POTOSÍ
Asignatura: INVESTIGACIÓN DE OPERACIONES I
Grupo: N° 1 de 11:00 a 12:00 hrs.
Carrera: INGENIERIA INDUSTRIAL
Semestre: AGO – DIC 2021
Parcial 4 PROGRAMACIÓN LINEAL
“TRANSPORTE Y ASIGNACIÓN”.
TAREA N° 1: “TRANSPORTE Y ASIGNACIÓN”
Equipo N° 7.
Integrantes:
1. RODRIGUEZ SEGOVIA SARA
2. ROMERO GARCIA CLARA
3. RUIZ ALEMAN DIEGO
4. TORRES ARANDA SEBASTIAN
5. VALLEGO SOTO MIGUEL
Índice:
Tema y actividades de investigación a desarrollar y realizar:
TRANSPORTE
1. La optimización mediante el uso de conceptos y procedimientos de la
Programación Lineal,
2. Definición del problema de Transporte.
Fuentes Destinos
c 11 : x 11
1 1
Unidades de Demanda
Unidades de Oferta
Representació n
del modelo de
2 2 transporte con
nodos y arcos.
c nm : X mn
m n
Hay m fuentes y n destinos, cada fuente y cada destino representados por un nodo. Los arcos
representan las rutas que enlazan las fuentes y los destinos. El arco ( i , j ) que une a la fuente i
con el destino j conduce dos clases de información: el costo de transporte c ij por unidad, y la
cantidad transportada x ij . La cantidad de oferta en la fuente i es ai y la cantidad de demanda en
el destino j es bj . El objetivo del modelo es determinar las incógnitas x ij que minimicen el costo
total de transporte, y que al mismo tiempo satisfagan las restricciones de oferta y demanda.
Ejemplo :
MG Auto tiene tres plantas: en Los Ángeles, Detroit y New Orleans, y dos centros principales de
distribución en Denver y en Miami. Las capacidades de las tres plantas durante el próximo
trimestre serán 1000, 1500 y 2000 autos. Las demandas trimestrales en los dos centros de
distribución son 2300 y 1400 autos. El kilometraje entre las fábricas y los centros de distribución
se observa en la siguiente tabla.
Denver Miami
Los Ángeles 1000 2690
Detroit 1250 1350
New Orleans 1275 850
La empresa transportista cobra 8 centavos por milla y por auto. El costo de transporte por auto,
en las distintas rutas y redondeado hasta el $ más próximo, se calcula como se ve en la siguiente
tabla.
Denver (1) Miami (2)
Los Ángeles (1) $ 80 $ 215
Detroit (2) $ 100 $ 108
New Orleans (3) $ 102 $ 68
El modelo de programación lineal para el problema es el siguiente:
Minimizar z=80 x 11 +215 x 12+100 x 21+108 x 22+102 x31 +68 x 32
Sujeta a:
x 11 + x 12=1000 ( Los Ángeles )
x 21+ x 22=1500 ( Detroit )
x 31+ x 32=1200( New Orleans)
x 11 + x 21+ x 31=2300( Denver )
x 12+¿ x +x =1400( Miami)¿
22 32
x ij ≥ 0 ,i=1, 2 , 3; j=1 , 2
1000
1000
Los Ángeles 2300 Solució n ó ptima
1300
de modelo de
Denver MG Auto
1500 200
Detroit
1200 1400
1200 Miami
New Orleans
Todas estas restricciones son ecuaciones, porque el abasto total desde las tres fuentes (= 1000 +
1500 + 1200 = 3700 autos) es igual a la demanda total en los dos destinos (= 2300 + 1400 =
3700 autos). El modelo de programación lineal se puede resolver con el método simplex. Sin
embargo, la estructura especial de las restricciones permite resolverlo con más comodidad
usando la tabla de transporte siguiente.
Denver
Miami Oferta
1000
Los Ángeles 80 215
x 11 x 12
Detroit 100 108 1500
x 21 x 22
New Orleans 102 68 1200
x 31 x 32
Demanda
2300 1400
La solución óptima (obtenida con TORA1 ) se resume en la solución óptima del modelo de MG
Auto. Indica que se manden 100 autos de Los Ángeles a Denver, 1300 de Detroit a Denver, 200
de Detroit a Miami y 1200 de New Orleans a Miami. El costo mínimo de transporte asociado es
1000 × $ 80+1300 × $ 100+200 × $ 108+1200 × $ 68=$ 313,200
El algoritmo de transporte se basa en la hipótesis que el modelo está balanceado, y eso quiere
decir que la demanda total es igual a la oferta total. Si el modelo está desbalanceado siempre se
podrá aumentar con una fuente o un destino ficticios para restaurar el equilibrio o balance.
3. Algoritmos.
a) Método de la Esquina Noroeste.
b) Método de Costo Mínimo.
c) Método de aproximación de Vogel
4. Elabora por equipo:
a) Una tabla comparativa de los diferentes métodos de solución básica inicial
de transporte y analizar las ventajas y desventajas de los diferentes
métodos.
METODO DE LA METODO COSTO METODO DE
ESQUINA NORESTE MINIMO APROXIMACIÓN DE
VOGEL
VENTAJAS Y VENTAJAS VENTAJAS
DESVENTAJAS Se considera que el Conduce rápidamente a
Este método tiene como método del costo mínimo una mejor solución.
ventaja frente a sus produce resultados más
similares la rapidez de su precisos y óptimos en Tiene en cuenta en el
ejecución, y es utilizado comparación con el de la análisis la diferencia entre
con mayor frecuencia en esquina noroeste. los menores costos de
ejercicios donde el número transporte.
de fuentes y destinos sea Esto se debe a que el
muy elevado de esta método de la esquina Es un método preciso y
manera nos facilita la noroeste solo da totalmente imparcial.
solución del problema para importancia al
una futura obtención de requerimiento de Se escogerá aquel sitio
resultado. suministro y disponibilidad, que produzca los menores
con la esquina superior costos de transporte, tanto
Sin embargo la aplicación izquierda como la de la materia prima como
de este método no obtiene asignación inicial, del producto terminado
siempre la mejor solución, independientemente del
pero presenta un costo de envío.
cumplimiento de todas las DESVENTAJAS
restricciones y una rapidez Por otro lado, el método No aporta ningún criterio
de elaboración, lo cual es del costo mínimo incluye que permita determinar si
una ventaja en problemas los costos de transporte la solución obtenida por
con innumerables fuentes mientras se realizan las este método es la mejor
y destinos, en los cuales asignaciones. (óptima) o no.
no nos importe más que
satisfacer las restricciones. – A diferencia del método Las cantidades de oferta y
de la esquina noroeste, demanda no varían con el
este método proporciona tiempo.
una solución precisa, ya
que considera el costo de No considera mas efectos
transporte al realizar la para la localización que los
asignación. costos de transporte.
– El método del costo
mínimo es un método muy
simple de usar.
– Es muy sencillo y fácil de
calcular la solución óptima
con este método.
– El método del costo
mínimo es muy fácil de
entender.
DESVENTAJAS
Para obtener la solución
óptima se deben seguir
ciertas reglas. Sin
embargo, el método del
costo mínimo no las sigue
paso a paso.
– El método del costo
mínimo no sigue ninguna
regla sistemática cuando
existe un empate en el
costo mínimo.
– El método del costo
mínimo permite una
selección a través de la
observación del personal,
lo que podría crear
malentendidos para
obtener la solución óptima.
– No posee la capacidad
de aportar ninguna clase
de criterio para permitir
determinar si la solución
conseguida con este
método es o no la más
óptima.
– Las cantidades de las
ofertas y las demandas
son siempre las mismas,
ya que no varían con el
tiempo.
– No toma en cuenta otros
tipos de factores para
asignar, sino solo el de los
costos de transporte.
b) Realiza ejercicios prácticos haciendo uso de cada Algoritmo.
- Indicar las variables de entrada y salida,
- Elaborando la ruta óptima,
- Interpretando los resultados.
- Y dar conclusión para la toma de decisión.
ASIGNACIÓN
5. Definición del problema de Asignación,
El problema de asignación es uno en el cual todas las variables son de carácter binario (0,1)
y a cada fuente se le debe asignar un solo destino y cada destino una sola fuente.
“La mejor persona para el puesto”
El objetivo de este modelo es determinar la asignación óptima de trabajadores a puesto.
6. Aplicación y usos
Los problemas de asignación presentan una estructura similar a los de transporte, pero con
dos diferencias: asocian igual número de origenes con igual número de demandas y las
ofertas en cada origen es de valor uno, como lo es la demanda en cada destino.
El problema de asignación debe su nombre a la aplicación particular de asignar hombres a
trabajos ( o trabajos a máquinas), con la condición de que cada hombre puede ser asignado
a un trabajo y que cada trabajo tendrá asignada una persona.
La condición necesaria y suficiente para que este tipo de problemas tenga solución, es que
se encuentre balanceado, es decir, que los recursos totales sean iguales a las demandas
totales.
El modelo de asignación tiene sus principales aplicaciones en: Tabajadores, Oficinas al
personal, Vehiculos a rutas, Máquinas, Vendedores a regiones, productos a fabricar, etc.
7. Metodología
-El método húngaro
El método húngaro es un algoritmo que permite minimizar los costos en un problema
de optimización basado en la programación lineal.
El objetivo del método húngaro es encontrar el coste mínimo de un conjunto de tareas que deben
ser realizadas por las personas más adecuadas.
Utiliza la programación lineal (PL) para realizar una serie de pasos que se pueden automatizar.
Así, herramientas como el software estadístico R (entre otros) tiene varios paquetes de mucha
utilidad para estos problemas de optimización.
Origen del método húngaro
Su creador fue el mátemático húngaro (de ahí su nombre) Harold W. Kuhn en el año 1955. Otro
matemático, James Munkres, lo revisó en 1957. Con esta evolución ha recibido otras
denominaciones como algoritmo de asignación de Munkres o de Kuhn-Munkres.
Por otro lado, este método tiene un antecedente en dos autores, Dénes König y Jenő Egerváry,
ambos judios y húngaros. El primero desarrolló la teoría de grafos en la cual se basa este
algoritmo. El segundo generalizó el teorema de König y permitió a Kuhn desarrollar el método.
Pasos del método húngaro
Los pasos a seguir permiten realizar el método húngaro de una manera sencilla utilizando una
hoja de cálculo. Además, este esquema que mostramos permitirá ver de forma global el proceso
que desarrollaremos en detalle en el ejemplo final.
Como pasos previos, hay que asignar a las personas (filas) a una serie de proyectos (columnas).
Además, hay que calcular los diferentes costes de cada proyecto en función de quién lo realice y
construir con esta información una matriz (C).
En la matriz (C) buscamos el valor mínimo de cada fila. Restamos este a todos los elementos de
la fila y realizamos la misma operación con las columnas. Aparecerá una nueva matriz (C`) con
los resultados de las operaciones anteriores.
A continuación, creamos el «grafo de igualdades», que nos permite escoger las tareas y
proyectos con menor costo. El óptimo serían aquellos elementos cuyo resultado fue cero. Si se
cumple que no hay ningún elemento con valor cero asignados a más de una fila el algoritmo
termina.
En caso contrario, hay que realizar una nueva asignación. Se realiza una nueva a matriz a la que
se aplican una serie de modificaciones, como veremos en el ejemplo. Volvemos a crear el grafo y
avanzamos hasta que nos quede una matriz que tenga al menos un cero en cada fila y en
posiciones no repetidas.
Con esta información ya tenemos a las personas y los proyectos asignados (los ceros) que
optimizan el problema. Si una tarea ya está asignada en una fila anterior, en la siguiente se
descarta. Para calcular el coste mínimo sumamos los costes de la matriz inicial que aparecen en
la posición de dichos ceros.
EJEMPLO
Los tres hijos de Joe Klyne, John, Karen y Terri, quieren ganar algo para sus gastos personales,
durante un viaje de la escuela al zoológico. El señor Klyne ha destinado tres tareas para sus
hijos: podar el pasto, pintar la cochera y lavar los autos de la familia. Para evitar discusiones, les
pide que presenten ofertas (secretas) de lo que crean que es un pago justo para cada una de las
tres tareas. Se sobreentiende que después los tres obedecerán la decisión de su papá sobre
quién ha- ce cuál tarea. La tabla 5.32 resume las ofertas recibidas.
PODAR PINTAR LAVAR
DIEGO $15 $10 $9
SARA $9 $15 $10
CLARA $10 $12 $8
Con base en esta información ¿cómo debe asignar las tareas el señor Klyne? El problema de
asignación se puede resolver con el método húngaro.
Paso 1. En la matriz original de costo, identificar el mínimo de cada renglón y restarlo de todos
los elementos del renglón.
Paso 2. En la matriz que resulte del paso 1, identificar el mínimo de cada columna, y res- tarlo de
todos los elementos de la columna.
Paso3. Identificar la solución óptima como la asignación factible asociada con los elemen- tos
cero de la matriz obtenida en el paso 2.
Sean pi y qj los costos mínimos del renglón i y la columna j, como se definieron en los pasos 1 y
2, respectivamente. Los mínimos de renglón del paso 1 se calculan con la matriz original de costo
PODAR PINTAR LAVAR MINIMO DEL
RENGLON
DIEGO $15 $10 $9 P1=9
SARA $9 $15 $10 P2=9
CLARA $10 $12 $8 P3=8
A continuación se resta el mínimo del renglón de cada renglón respectivo, para obtener la
matriz reducida
PODAR PINTAR LAVAR
DIEGO $15 $10 $9
SARA $9 $15 $10
CLARA $10 $12 $8
MINIMO DE LA Q1=0 Q2=1 Q3=0
COLUMNA
La aplicación del paso 2 produce los mínimos de columna de la tabla Al restar esos valores de
las columnas respectivas se obtiene la matriz reducida de la tabla
PODAR PINTAR LAVAR
DIEGO 6 0 0
SARA 0 5 1
CLARA 2 3 0
Las celdas con elementos cero subrayados son la solución óptima. Eso quiere decir que John va
a pintar la cochera, Karen podará el pasto y Terri lavará los autos. El costo total para el señor
Klyne será 9 + 10 + 8 = $27. Esta cantidad también será siempre igual (p1 + p2 + p3) + (q1 + q2
+q3)=(9+9+8)+(0+1+0)= $27.
8. Realiza ejercicios prácticos haciendo uso de algoritmo
Los seres humanos realizamos de manera cotidiana una serie de pasos, procedimientos o
acciones que nos permiten realizar una actividad, alcanzar un resultado o resolver un
problema.
Esta serie de pasos los realizamos diariamente desde que comienza el día, por ejemplo,
cuando nos levantamos, tomamos un baño, desayunamos, preparamos la comida, entre
muchas otras actividades, seguimos una seria de pasos que al final nos permiten alcanzar
un resultado. La realidad es que a cada momento aplicamos un algoritmo para resolver un
problema o alcanzar un resultado.
El concepto de algoritmo, aunque similar y obviamente relacionado, no debe confundirse
con el concepto de programa. Mientras el primero es la especificación de un conjunto de
pasos (operaciones, instrucciones, órdenes,) orientados a la resolución de un problema
(método), el segundo es un conjunto de operaciones especificadas en un determinado
lenguaje de programación, susceptible de ser ejecutado (o compilado o interpretado).
Al momento de resolver un algoritmo se debe tener en cuenta la información existente, los
procesos que se deben realizar y los resultados esperados. Si lo representamos en un
diagrama de bloques tenemos que:
Datos de entrada
Son todos aquellos datos iniciales que serán manipulados con el fin de resolver el problema.
Procesos Algorítmicos
Luego de tener los datos de entrada, se requiere tener las instrucciones precisas que nos
permitan manipularlos y transformarlos para obtener la salida deseada.
Datos de Salida
Son los datos que permiten visualizar la solución al problema que se deseaba resolver.
9. Investigar soluciones con tipos de softwares, aplicables a estos tipos de
problemas de Transporte y Asignación (WIN QSB,TORA, DS for Windows, LINGO,
LINDO, Y OTROS)
WinQSB es un sistema interactivo de ayuda a la toma de decisiones que contiene
herramientas muy útiles para resolver distintos tipos de problemas en el campo de la
investigación operativa. El sistema está formado por distintos módulos, uno para cada tipo
de modelo o problema. Entre ellos destacaremos los siguientes:
• Linear programming (LP) and integer linear programming (ILP): este módulo incluye los
programas necesarios para resolver el problema de programación lineal gráficamente o
utilizando el algoritmo del Simplex; también permite resolver los problemas de programación
lineal entera utilizando el procedimiento de Ramificación y Acotación (Branch&Bound).
• Linear goal programming (GP) and integer linear goal programming (IGP): resuelve
modelos de programación multiobjetivo con restricciones lineales.
• Quadratic programming (QP) and integer quadratic programming (IQP): resuelve el
problema de programación cuadrática, es decir, problemas con función objetivo cuadrática y
restricciones lineales. Utiliza un método Simplex adaptado. Los modelos de IQP los resuelve
utilizando algoritmos de ramificación y acotación.
• Network modeling (NET): incluye programas específicos para resolver el problema del
transbordo, el problema del transporte, el de asignación, el problema del camino más corto,
flujo máximo, árbol generador, y problema del agente viajero.
• Nonlinear programming (NLP): permite resolver problemas no lineales irrestringidos
utilizando métodos de búsqueda lineal, y problemas no lineales con restricciones utilizando
el método SUMT (función objetivo con penalizaciones sobre el incumplimiento de las
restricciones).
• PERT/CPM: módulo de gestión de proyectos en los que hay que realizar varias actividades
con relaciones de precedencia.
m
10. Investigar y describir Casos especiales de programación lineal, y su estrategia de
solución.
CASOS ESPECIALES
Infinitas Soluciones Óptimas: Se detecta cuando luego de alcanzar una solución básica
factible óptima, al menos una variable no básica tiene costo reducido igual a cero. La
siguiente imagen representa esta situación donde la solución óptima (infinitas) se alcanza en
el tramo entre los vértices B y C. En efecto se puede representar de forma general las
soluciones óptimas como: (x,y)=\X (0,3)+(1-\X )(2,2) con 0< \X\< 1.
Problema No Acotado: En las iteraciones del Método Simplex un problema no acotado se
detecta cuando al calcular el criterio de factibilidad o mínimo cociente que determina la variable
que deja la base, todas las entradas en la columna de la variable no básica entrante son
negativas o cero, por tanto no existe denominador válido (mayor a cero) que permita determinar
el pivote. En la siguiente representación gráfica se puede apreciar que las curvas de nivel de la
función objetivo crecen en la dirección del vector gradiente, donde en particular el dominio de
soluciones factibles es no acotado para los valores que puede adoptar la variable x_{2}.
Problema Infactible: Si al finalizar la Fase I del Método Simplex de 2 Fases el valor de la función
objetivo es distinto a cero, entonces el problema lineal es infactible, es decir, el dominio de
soluciones factibles es vacío al existir restricciones incompatibles (por ejemplo en el gráfico a
continuación el área azul no se intersecta con el área color rojo).
Solución Óptima Degenerada: Cuando se presenta un empate el el cálculo de la condición de
factibilidad del Método Simplex, al menos una variable básica será cero en la siguiente iteración,
caso en el cual se dice que la nueva solución es degenerada. Esto implica que el modelo tiene al
menos una restricción redundante.
11. Aplicación, Planteamiento, calculo y Solución de Problemas.
APLICACIÓN: Los problemas de asignación presentan una estructura similar a los de
transporte, pero con dos diferencias: asocian igual número de origenes con igual número de
demandas y las ofertas en cada origen es de valor uno, como lo es la demanda en cada
destino.
El problema de asignación debe su nombre a la aplicación particular de asignar hombres a
trabajos ( o trabajos a máquinas), con la condición de que cada hombre puede ser asignado
a un trabajo y que cada trabajo tendrá asignada una persona.
La condición necesaria y suficiente para que este tipo de problemas tenga solución, es que
se encuentre balanceado, es decir, que los recursos totales sean iguales a las demandas
totales.
El modelo de asignación tiene sus principales aplicaciones en: Tabajadores, Oficinas al
personal, Vehiculos a rutas, Máquinas, Vendedores a regiones, productos a fabricar, etc.
PLANTEAMIENTO: El problema de asignación consiste en encontrar la forma de asignar
ciertos recursos disponibles (máquinas o personas) para la realización de determinadas
tareas al menor coste, suponiendo que cada recurso se destina a una sola tarea, y que cada
tarea es ejecutada por uno solo de los recursos. Es uno de los problemas fundamentales
de optimización combinatoria de la rama de optimización o investigación
operativa en matemática. El modelo se puede aplicar a la asignación de empleados a
tareas, de fábricas a productos, de vendedores a territorios, de postores a contratos, etc.
Con una sencilla manipulación, el método también se puede aplicar al caso en el que se
pretende maximizar cierta cantidad.
Formalmente, el problema de la asignación consiste en encontrar un emparejamiento de
peso óptimo en un grafo bipartito ponderado. El problema de asignación es un caso
particular del problema de transporte, en el que la oferta en cada origen y la demanda en
cada destino son ambas de valor
SOLUCION DE PROBLEMAS: El algoritmo Húngaro es uno de los muchos algoritmos que
han sido diseñados para resolver el problema del asignación lineal con un tiempo acotado
por una expresión polinómica del número de agentes.
El problema de asignación es un caso especial del problema del transportador, que es un
caso especial del problema del flujo de coste mínimo. El problema de asignación también
puede ser resuelto por medio del algoritmo simplex (creado en 1947 por el matemático
George Dantzig). El método del simplex se utiliza, sobre todo, para resolver problemas de
programación lineal en los que intervienen tres o más variables. Es un método iterativo que
permite ir mejorando la solución en cada paso. Cada especialización tiene algoritmos más
eficientes tomando ventaja de su estructura espacial.
Si Xij=1 Si se asigna el trabajador i a la tarea j. Si X ij=0 No se asigna el trabajador i a la tarea
j. Cij: Costo de asignar al trabajador i la tarea j.
Parámetro M: M es un número muy grande en los problemas de asignación. Se utiliza para
representar que al trabajador i no se le puede asignar la tarea j.
METODO DE FLOOD: Este método es utilizado en aquellos casos donde no se ha podido
hacer una asignación óptima después de haber realiza el método húngaro.
El método consta de los siguientes pasos: Paso 1: Señalar todas las filas que no tienen una
asignación. (Cuando se dice señalar puede ser una pequeña X a la izquierda de la fila o
arriba de la columna)
Paso 2: Señalar todas las columnas que tengan un cero en la columna señalada.
Paso 3: Señalar todas las filas que tienen una asignación en las columnas indicadas.
Paso 4: Repetir estos pasos hasta que no pueda señalarse más columnas o filas. (No hay
más filas que no tengan asignación) Dibujar una línea por cada fila NO señalada y por cada
columna SI señalada.
Paso 5: Encontrar el mínimo valor de los elementos no cubiertos y restarlo a todos los
elementos no cubiertos, y sumar este valor a cada elemento que se encuentre en la
intersección de una línea horizontal con una línea vertical.
Paso 6: Realizar la asignación como en el método húngaro.
12. Analizar la importancia estratégica de Toma de Decisiones basadas en el I. de O.
(mediante investigación de ejemplos de casos reales.)
a) Opinión y conclusión Grupal
13. Auto Evaluación (Liga de Microsoft Forms).
[Link]
sVxA4VB-AwLUhOuea8iKtC-ixURE4xVjZQUFlDQk1JS1RQTTgyUDRNSUxMTy4u
14. Fuentes utilizadas Bibliografía y/o enlaces:
Pueden revisar la siguiente dirección o similares:
- Haeussler, E. F., & Paul, R. S. (2003). Matemáticas para administración y
economía. Pearson Educación.
- Jiménez, J., Rofríguez, M., & Estrada, R. (2005). Matematicas 1 SEP. Umbral.
- Preciado, C. T. (2005). Curso de Matemáticas 3o. Editorial Progreso.
- Rock, N. M. (2006). Algebra I Is Easy! So Easy. Team Rock Press.
- Hillier, Frederick, Introducción a la investigación de operaciones, Ed. Mc Graw-Hill,
2006.
- Taha, Hamdy A., Investigación de operaciones, 7° Edición, Ed. Pearson, México,
2004.
- Winston, Wayne L. Investigación de operaciones aplicaciones y algoritmos, 4ª
edición, Ed. Cengage Learning, México, 2004
- Kamlesh Mathur, Investigación de operaciones, Ed. Pearson.
- Las indicadas en Programa de la Asignatura
Archivos a presentar.
a) Word de:
Resumen de investigación estructurada por Slides.
b) PPT de:
- Presentación de investigación, con la estructura del resumen
realizado en el archivo de Word respectivo.
- Iniciar la presentación de la investigación, con el Mapa Mental
del tema asignado (Utilizar la APP Main meister para su
creación)
c) Auto Evaluación. En la aplicación
Preguntas con su respuesta(s) y/o procedimiento de solución,
(según ejemplo descrito en rúbrica de Tareas):
4 preguntas con 5 opciones múltiples cada
una 4 preguntas de complementación
4 preguntas de texto abierto y desarrollo de problemas
