Clave Nombre de la Unidad de Aprendizaje

34909 Investigación de Operaciones I

Práctica Título de la Práctica

No.

5 Análisis Dual. Simplex Dual. Análisis de Sensibilidad

Formuló Revisó Autorizó

Dra. Teresa Carrillo Gutiérrez Academia de Ing. Industrial DIRECTOR DE LA FACULTAD DE CIENCIAS
QUÍMICAS E INGENIERÍA

Alumnos: Matricula:
Diego Armando Lopez Garcia 1264107
Covarrubias Mendez Alexis 1279629
Vazquez Castañeda Concepcion 1267608

COMPETENCIA

Plantear y resolver problemas lineales duales, utilizando el paquete computacional, a

través de un análisis crítico, entender los diferentes aspectos del problema dual. Resolver
y comparar programas lineales, de manera eficiente, variando los coeficientes de la
función objetivo y variando los lados derechos de las restricciones funcionales, para
entender el análisis de sensibilidad, los intervalos de optimidad y el concepto de precio
sombra.

I. DESCRIPCIÓN DE LA PRÁCTICA

Se obtendrán los programas duales de distintos programas lineales y se resolverán

mediante el uso del paquete computacional.

II. ANTECEDENTES TEÓRICOS

 El problema de programación lineal dual que se define a partir de un problema original
(primal), comparte con él los mismos coeficientes tanto de la función objetivo como de las
restricciones, pero en diferente posición como más adelante se especificará.
Por otra parte, es importante tener presente que:
• Si un problema tiene solución óptima y factible, el problema dual también la tiene.
• Si un problema tiene solución factible pero no óptima, entonces el problema dual no tiene
solución factible.
A manera de síntesis, lo que se desea recuperar del análisis de dualidad es: Cuando se
tiene un modelo de programación lineal en el que el objetivo es minimizar, llamaremos a
este modelo primal¸ y obtendremos el modelo dual asociado que es un modelo de
maximización, el cual

puede resolverse con el método dual-símplex; y al obtener la solución del problema dual
encontraremos la del modelo primal.

ANÁLISIS DE SENSIBILIDAD
El análisis de sensibilidad busca determinar los efectos que se producen en la solución
óptima al realizar cambios en cualquiera de los parámetros del modelo de programación
lineal planteado inicialmente. Entre los cambios que se investigan están: los cambios en los
coeficientes de las variables en la función objetivo tanto para variables básicas como para las
variables no básicas, cambios en los recursos disponibles de las restricciones, variación de
los coeficientes de utilización en las restricciones e introducción de una nueva restricción.
El objetivo principal del análisis de sensibilidad es identificar el intervalo permisible de
variación en los cuales las variables o parámetros pueden fluctuar sin que cambie la solución
óptima. Sin embargo, así mismo se identifica aquellos parámetros sensibles; es decir, los
parámetros cuyos valores no pueden cambiar sin que cambie la solución óptima.
Los investigadores de operaciones tienden a prestar bastante atención a aquellos
parámetros con holguras reducidas en cuanto a los cambios que pueden presentar, de forma
que se vigile su comportamiento para realizar los ajustes adecuados según corresponda y
evitar que estas fluctuaciones puedan desembocar en una solución no factible.
A modo general, cuando se realiza un análisis de sensibilidad a una solución óptima se debe
verificar cada parámetro de forma individual, dígase los coeficientes de la función objetivo y
los límites de cada una de las restricciones. En ese sentido se plantea el siguiente
procedimiento:
1. Revisión del modelo: se realizan los cambios que se desean investigar en el modelo.
2. Revisión de la tabla final Simplex: se aplica el criterio adecuado para determinar los cambios
 que resultan en la tabla final Simplex.
3. Conversión a la forma apropiada de eliminación Gauss: se convierta la tabla en la forma
apropiada para identificar y evaluar la solución básica actual, para lo cual se aplica la
metodología de eliminación Gauss si es necesario.
4. Prueba de factibilidad: se prueba la factibilidad de esta solución mediante la verificación de
que todas las variables básicas de la columna del lado derecho aun tengan valores no
negativos.
5. Prueba de optimalidad: se verifica si esta solución es óptima y factible, mediante la
comprobación de que todos los coeficientes de las variables no básicas del reglón Z
permanecen no negativos.
6. Re optimización: si esta solución no pasa una de las pruebas indicadas en los puntos 4 y 5
anteriores, se procede a buscar la nueva solución óptima a partir de la tabla actual como
tabla
Simplex inicial, luego de aplicadas las conversiones de lugar, ya sea con el método
Simplex o el Simplex Dual.
Aplicación del Análisis de Sensibilidad

Mediante el análisis de sensibilidad pueden existir diferentes tipos de cambios en el

modelo original como:
∙ Cambios en los coeficientes de la función objetivo, Cij
∙ Cambios en los recursos, bi
∙ Cambios en los coeficientes tecnológicos, aij
∙ Adición de una nueva variable Xi
∙ Adición de una nueva restricción. aij >= bi

• LECTURAS Y VIDEOS RECOMENDADOS

 ∙ Leer el tema: El Problema de la dualidad página 37 del libro: Inzunza V., López F., De la
Vega E., Inzunza X. (2012). Investigación de Operaciones. Pearson educación y
Universidad de Sonora: México.
∙ Ver los siguientes videos:
[Link]
Modelo primal y dual en PL. [Link]
∙ Leer el tema: Análisis de sensibilidad página 32 del libro: Inzunza V., López F., De la
Vega E., Inzunza X. (2012). Investigación de Operaciones. Pearson educación y
Universidad de Sonora: México.
Análisis de sensibilidad con EXCEL 2010. [Link] Análisis
de sensibilidad usando Solver de Excel. [Link] Análisis
de sensibilidad - Parte 1a - Coeficientes cj. [Link]
Análisis de sensibilidad - Parte 1b - Coeficientes cj.
[Link] Análisis de sensibilidad - Parte 2a - Coeficientes
bi. [Link] Análisis de sensibilidad - Parte 2b - Coeficientes
bi. [Link]

III. PREEVALUACIÓN (PREPARACIÓN A LA REALIZACIÓN DE LA PRÁCTICA EN EL LABORATORIO)

Formular los modelos matemáticos del problema planteado en el desarrollo de esta

práctica.

IV. PROCEDIMIENTO

EQUIPO MATERIAL

∙ Computadora ∙ PHP Simplex, POM QM

CONSIDERACIONES DE SEGURIDAD

Aplicar las normas de seguridad e higiene en laboratorios de cómputo presentadas en el

Anexo B.
 DESARROLLO DE LA PRÁCTICA

Instrucciones: En el video [Link] se presenta un ejemplo parcialmente

resuelto a para ser verificado con software. Por lo tanto, se incluye en el reporte de la práctica
de laboratorio el problema con las respuestas justificadas con ayuda de un software.
Modelo Matemático

X1 = Toneladas de aditivo para combustible a producir en el periodo

X2= Toneladas de base para solvente a producir en el periodo

Maximizar Z = 40 X1 + 30 X2

Sujeto a:

0.4 X1 + 0.5 X2 <= 20 cantidad disponible material 1

0.2 X2 <= 5 cantidad disponible material 2

0.6 X1 + 0.3 X2 <=21 Cantidad disponible material 3

X1 , X2 >=0
La combinación de factores que maximiza la función objetivo con un valor de 1600 son 25
toneladas de aditivo de combustible y 20 toneladas de base para solvente.

Modelo dual

Problema dual del modelo matemático original

Análisis de sensibilidad

En esta tabla podemos observar tanto los valores mínimos como máximos que pueden tomar
tanto las restricciones como las variables de la función objetivo, a manera de ejemplo se toma en
cuenta los valores que puede tomar la restricción 3 para hallar el precio sombra

Al cambiar el valor de restricción 3 a un valor de 24 la función objetivo aumenta 133.33

Al aumentar 3 unidades mas al valor original de la restricción 3 la función objetivo aumenta otros
133.33 por lo cual cada 3 unidades adicionales a la restricción 3 la función objetivo aumenta
133.33 por lo cual:

Precio sombra = 133.33 / 3 = 44. 44

Esto quiere decir que por cada unidad aumentada en la restricción 3 la función objetivo 44.44

V. RESULTADOS Y CONCLUSIONES

El reporte final de la práctica de laboratorio incluye los resultados y conclusiones. Los

reportes se presentarán en un documento pdf por equipo en archivo digital de acuerdo a
los lineamientos presentados en el Anexo B.

VI. ANEXOS

Anexo A. Seguridad e higiene en el laboratorio de cómputo.

Anexo B. Lineamientos del reporte de práctica de laboratorio.
Anexo C. Apunte de dualidad y análisis de sensibilidad.

VII. REFERENCIAS
∙ Hillier F. y Lieberman G. (2010). Introducción a la Investigación de Operaciones. México:
McGraw Hill.

∙ Inzunza V., López F., De la Vega E. e Inzunza X. (2012). México: Pearson.

∙ Muñoz R., Ochoa M. y Morales M. (2011). Investigación de Operaciones.México:
McGraw Hill.

∙ Sitio web [Link]

∙ Taha H. (2012). Investigación de Operaciones. México: Pearson.
∙ Winston W. (2005). Investigación de Operaciones. Aplicaciones y algoritmos. México:
Thompson.
ANEXO C
Relaciones primal-dual
Asociado a cada problema lineal existe otro problema de programación lineal denominado
problema dual (PD), que posee importantes propiedades y relaciones notables con respecto
al problema lineal original, problema que para diferencia del dual se denomina entonces
como problema primal (PP).

Las relaciones las podemos enumerar como siguen:

a) El problema dual tiene tantas variables como restricciones tiene el programa primal. b) El
problema dual tiene tantas restricciones como variables tiene el programa primal c) Los
coeficientes de la función objetivo del problema dual son los términos independientes de
las restricciones o RHS del programa primal.
d) Los términos independientes de las restricciones o RHS del dual son los coeficientes de
la función objetivo del problema primal.
e) La matriz de coeficientes técnicos del problema dual es la traspuesta de la matriz técnica
del problema primal.
f) El sentido de las desigualdades de las restricciones del problema dual y el signo de las
variables del mismo problema, dependen de la forma de que tenga el signo de las
variables del problema primal y del sentido de las restricciones del mismo problema.
g) Si el programa primal es un problema de maximización, el programa dual es un
problema de minimización.
h) El problema dual de un problema dual es el programa primal original.
El problema de programación lineal dual que se define a partir de un problema original
(primal), comparte con él los mismos coeficientes tanto de la función objetivo como de las
restricciones, pero en diferente posición como más adelante se especificará.
Por otra parte, es importante tener presente que:
• Si un problema tiene solución óptima y factible, el problema dual también la tiene.
• Si un problema tiene solución factible pero no óptima, entonces el problema dual no tiene
solución factible.
A manera de síntesis, lo que se desea recuperar del análisis de dualidad es: Cuando se tiene
un modelo de programación lineal en el que el objetivo es minimizar, llamaremos a este
modelo primal¸ y obtendremos el modelo dual asociado que es un modelo de maximización,
el cual puede resolverse con el método dual-símplex; y al obtener la solución del problema
dual encontraremos la del modelo primal.
Existen otros aspectos importantes del análisis de dualidad que es necesario tener
presentes, por ejemplo, para el modelo primal el objetivo es minimizar y las restricciones son
del tipo ≥ (mayor o igual que), mientras que para el modelo dual el objetivo es maximizar y
las restricciones son del tipo ≤ (menor o igual que). Lo anterior se ilustra en la siguiente
figura, donde se aprecian estas diferencias en las representaciones matriciales de los
modelos.
Problemas primal y dual asociados a un mismo problema real.
Observe que el problema primal no se encuentra en la forma estándar necesaria para
aplicar el método dual-símplex, y es por esto que se genera el problema dual.
Además en el problema dual se emplea AT que es la matriz transpuesta de la matriz
de coeficientes del sistema de restricciones.
De manera desarrollada los problemas se ven como:
Problema primal

Mientras que el problema dual se verá en la forma estándar.

Problema dual
Cabe resaltar que si el modelo primal tiene n variables y m restricciones, el modelo
dual tendrá m variables y n restricciones, como se puede observar en los problemas
primal y dual desarrollados. La solución óptima de un problema corresponde a la
solución del otro, como ya se ha mencionado, y de este resultado se desprende la
siguiente sección.

Propiedad de las soluciones básicas complementarias

Cada solución básica óptima en el problema primal tiene una solución básica óptima
complementaria en el problema dual, en donde los valores respectivos de las funciones
objetivos son iguales, Z min = Z max, y el valor de las restricciones del problema primal serán
los coeficientes de las variables artificiales (yi). Esto quiere decir que los valores de las
restricciones del modelo primal son los valores que se encuentran en el renglón R0 en las
columnas de las variables artificiales de la tabla símplex del modelo dual.
A continuación, se presenta el algoritmo para generar el modelo dual a partir del problema
primal, para lo cual utilizaremos la tabla primal-dual.
Método dual-símplex
Tabla primal-dual
Partiendo de un modelo con el objetivo de minimizar, se utiliza la llamada tabla primal-dual
para trasladar el problema a maximización y volver al uso del mismo algoritmo.

Si tenemos el modelo primal de minimización:

Problema primal
Para formar la tabla primal-dual se procede como sigue:
El tamaño de la tabla es de m+2 renglones y n+2 columnas. (n número de variables y
m número de restricciones del problema primal).
1. La celda de la esquina superior izquierda se divide en dos con una diagonal, en la
parte superior escribimos la palabra primal (min) y en la parte inferior dual (max).
2. En la celda de la esquina superior derecha se escribe el símbolo ≥ , mientras que
en la primera columna en el último renglón se escribe el símbolo ≤ .
3. En la primera columna a partir del segundo renglón se escriben los nombres de las
variables del problema dual (m variables artificiales).
4. En el primer renglón se escriben los nombres de las variables del problema primal
(n variables).

5. Se escriben los coeficientes de la función objetivo del modelo primal en el último renglón.
6. Se escribe cada uno de los coeficientes de las restricciones del problema primal en forma
horizontal, ocupando los renglones de la tabla.
7. En la última columna se escriben las cantidades limitantes de las restricciones del modelo
primal.
8. De esta tabla podemos obtener el modelo dual, lo único que debemos hacer es leer el
modelo de manera vertical y los coeficientes de la función objetivo se obtienen de la última
columna.
Ejercicio de ejemplo:
Resolver el siguiente modelo de programación obteniendo el modelo dual y aplicando
el método dual-símplex.

Min Z= 12x1 + 7x2

Sujeto a:
4x1 + 2x2 ≥ 80
3x1 + 4x2 ≥ 90
x1, x2 ≥ 0
Solución
La tabla dual está dada por:
Entonces, el modelo dual de maximización es:

Max Z = 80y1 + 90y2

Sujeto a:

4 y1 + 3y2 ≤ 12
2y1 + 4 y2 ≤ 7
y1, y2 ≥ 0

Ahora se utiliza el método dual-símplex para resolver el modelo dual. La tabla inicial
de este modelo es:

El primer elemento pivote de la tabla inicial es:

Con operaciones entre renglones se obtiene la siguiente tabla:

Como en el renglón asociado a la función objetivo todavía se encuentran coeficientes
negativos, no se ha completado el proceso, por lo que se identifica un nuevo pivote en la
tabla obtenida.
El nuevo pivote se encuentra en:

De manera similar con el primer pivote, con operaciones básicas entre renglones se
resuelve la tabla símplex:

En esta iteración, todos los coeficientes del renglón de la función objetivo son no
negativos, es decir, mayores o iguales a cero, por lo que el proceso del método
dual-símplex ha concluido. Cabe recordar que estamos resolviendo un valor de los
coeficientes asociados a las variables de holgura que den el renglón de la función objetivo.
Es decir:

Por lo que al transferir la solución de la tabla símplex a las variables originales del
problema primal se tiene:
Con la transferencia de la solución de la tabla a las variables del problema primal
concluye la aplicación del método dual-símplex primal-dual.

PROBLEMA RESUELTO (GUÍA CON POM QM)

El desarrollo de tres estrategias de un proceso administrativo de fondos de inversión a largo
plazo causa costos de 1, 3 y 2 millones de pesos por año de procesamiento,
respectivamente.
Cada estrategia genera 10, 20 y 40 millones en beneficios por año, en el mismo orden, y se
requiere un nivel mínimo de 800 millones en beneficios para que el negocio sea conveniente
a los inversionistas. Por último, se sabe que la diferencia entre el triple de la duración de la
estrategia con costo de 3 millones menos la duración de la estrategia de 2 millones debe ser
de por lo menos 10 años.
¿Cuál es la duración óptima de cada estrategia que garantiza los beneficios esperados y
minimiza los costos de administración?
• Para resolver este problema, primero identificamos que el objetivo del planteamiento es
minimizar el importe de los costos totales.
• Las restricciones están relacionadas con el nivel mínimo de beneficios y la duración de cada
estrategia. Obtener el modelo primal y el dual. Resolver con un software.

X1= La duración de estrategia 1 que garantiza los beneficios esperados

X2= La duración de estrategia 2 que garantiza los beneficios esperados
X3= La duración de estrategia 3 que garantiza los beneficios esperados
Z = Minimizar costos totales
Minimizar Z= 1 X1 + 3 X2+ 2 X3

Sujeto a:
10 X1 + 20 X2 + 40 X3 >= 800
3 X2 – 1 X3 >=10
X1, X2, X3 >= 0
SOLUCION: USAR POM-QM

LISTA DE SOLUCIONES
RESULTADOS

Conclusión La duración óptima debe ser ___, ____ y ____ para garantizar los beneficios
esperados y minimiza los costos de administración.
ANÁLISIS DE SENSIBILIDAD
El análisis de sensibilidad busca determinar los efectos que se producen en la solución
óptima al realizar cambios en cualquiera de los parámetros del modelo de programación
lineal planteado inicialmente. Entre los cambios que se investigan están: los cambios en los
coeficientes de las variables en la función objetivo tanto para variables básicas como para las
variables no básicas, cambios en los recursos disponibles de las restricciones, variación de
los coeficientes de utilización en las restricciones e introducción de una nueva restricción.
El objetivo principal del análisis de sensibilidad es identificar el intervalo permisible de
variación en los cuales las variables o parámetros pueden fluctuar sin que cambie la solución
óptima. Sin embargo, así mismo se identifica aquellos parámetros sensibles; es decir, los
parámetros cuyos valores no pueden cambiar sin que cambie la solución óptima.
 Los investigadores de operaciones tienden a prestar bastante atención a aquellos
parámetros con holguras reducidas en cuanto a los cambios que pueden presentar, de
forma que se vigile su comportamiento para realizar los ajustes adecuados según
corresponda y evitar que estas fluctuaciones puedan desembocar en una solución no
factible.
A modo general, cuando se realiza un análisis de sensibilidad a una solución óptima se
debe verificar cada parámetro de forma individual, dígase los coeficientes de la función
objetivo y los límites de cada una de las restricciones. En ese sentido se plantea el
siguiente procedimiento:
Revisión del modelo: se realizan los cambios que se desean investigar en el modelo.
Revisión de la tabla final Simplex: se aplica el criterio adecuado para determinar los
cambios que resultan en la tabla final Simplex.
Conversión a la forma apropiada de eliminación Gauss: se convierta la tabla en la forma
apropiada para identificar y evaluar la solución básica actual, para lo cual se aplica la
metodología de eliminación Gauss si es necesario.
0. Prueba de factibilidad: se prueba la factibilidad de esta solución mediante la verificación de
que todas las variables básicas de la columna del lado derecho aun tengan valores no
negativos.
1. Prueba de optimalidad: se verifica si esta solución es óptima y factible, mediante la
comprobación de que todos los coeficientes de las variables no básicas del reglón Z
permanecen no negativos.
2. Re optimización: si esta solución no pasa una de las pruebas indicadas en los puntos 4 y 5
anteriores, se procede a buscar la nueva solución óptima a partir de la tabla actual como
tabla Simplex inicial, luego de aplicadas las conversiones de lugar, ya sea con el método
Simplex o el Simplex Dual.
Aplicación del Análisis de Sensibilidad

Mediante el análisis de sensibilidad pueden existir diferentes tipos de cambios en el

modelo original como:
∙ Cambios en los coeficientes de la función objetivo, Cij
∙ Cambios en los recursos, bi
∙ Cambios en los coeficientes tecnológicos, aij
∙ Adición de una nueva variable Xi
∙ Adición de una nueva restricción. aij >= bi

7.
8.
9.

EJEMPLO 1 DE APLICACIÓN DE ANÁLISIS DE SENSIBILIDAD

Un fabricante produce tres componentes para venderlos a compañías de refrigeración. Los
componentes se procesan en dos máquinas: conformadora y ensambladora. Los tiempos (en
minutos) requeridos por cada componente en cada máquina se indican en la tabla.

La conformadora está disponible por 120 horas y la ensambladora está disponible por 110
horas. No se pueden vender más de 200 unidades del componente 3, pero se pueden vender
hasta 1,000 unidades de los otros dos componentes.
De hecho, la fábrica tiene órdenes de venta por cumplir del componente1de 600 unidades. Las
utilidades por la venta de cada componente 1, 2 y 3 son,respectivamente $8, $6 y $9. Con el
modelo lineal formulado para este problema y resuelto con POM-QM, conteste las siguientes
preguntas:
a. ¿Cuánto debe ser la utilidad del componente 2 para que se fabrique?
b. ¿Qué sucede si la ensambladora sólo está disponible por 90 horas?
c. Si se pudieran conseguir más horas de la máquina ensambladora, ¿Cuánto estaría dispuesto
a pagar el fabricante?
d. ¿Qué sucede si se incrementa el compromiso de vender unidades del componente 1 a 800
unidades? ¿Y si se incrementa a 1200 unidades?
e. Si se pudieran vender más unidades del componente 3 reduciendo su utilidad a $4, ¿Valdría
la pena hacerlo?

Solución:

Paso 1. Formularemos el problema matemático lineal en la forma estándar:

a. Comenzamos, denominando las variables de la función objetivo.

X1: número de unidades del componente 1 producidas.
 X2: número de unidades del componente 2 producidas.
X3: número de unidades del componente 3 producidas.
b. Ahora, como sabemos las utilidades por cada unidad de los tres componentes que
producen, construimos la función objetivo.
Max Z = 8X + 6X + 9X
1 2 3

c. Construimos las restricciones del problema lineal; para locual conocemos los tiempos en
minutos que cada componente requiere en cada una de las dos máquinas para su
construcción, así como los tiempos disponibles por cada máquina.
6X1 + 3X2 + 4X3 ≤ 120 x 60 (minutos disponibles en la máquina conformadora)

4X1 + 5X2 + 2X3 ≤ 110 x 60 (minutos disponibles en la máquina ensambladora)

X1 ≥ 600 (tiene órdenes de venta de 600 unidades)

X1+ X2 ≤ 1 000 (se pueden vender hasta1000 unidades del componente 1 y

2)

X3 ≤ 200 (no se pueden vender más 200 unidades del componente 3)

X1, X2, X3 ≥ 0 (no negatividad)

d. Modelo completo en la forma estándar

Max Z = 8X1+ 6X2+ 9X3

Sujeto a:
6X1 + 3X2 + 4X3 ≤ 7200
4X1 + 5X2+ 2X3 ≤ 6600
X1 + X2 ≤ 1000
X1 ≥ 600
X3 ≤ 200
X1, X2, X3 ≥ 0

Paso 2. Ingresamos el modelo que hemos construido en el Software POM-QM. Seleccionamos

el Módulo: Linear Programming.
Responderemos laspreguntas:

a. ¿Cuánto debe ser la utilidad del componente 2 para que se fabrique? En la tabla 3: El
componente 2 (representado por la variable X2) como vimos los resultados comentado
anteriormente, ese componente no se debe producir con la utilidad actual, por que generaría
pérdida, porcada unidad de $2. Si vemos la última columna de la parte superior en la variable
X2. Señala que, aunque la utilidad aumente en $8 aun no es atractivo producirlo, eso significa
que su utilidad debe ser superior a $8 para producirlo.

b. ¿Qué sucede si la ensambladora sólo está disponible por 90 horas?

Si la ensambladora solo contara con 90x60 = 5400 minutos disponible.
Resulta que los minutos requeridos para ensamblar los 1200 componentes son 4,400 minutos.
Por lo que aún sobrarían 1000 minutos. Es decir, no habría ninguna afectación al modelo
óptimo actual.

c. Si se pudieran conseguir más horas de la máquina ensambladora, ¿Cuánto estaría

dispuesto a pagar el fabricante?
Para la producción de los 1200 componentes no se requieren más horas de ensamblaje, al
contrario, hay un sobrante de 2200 minutos. Por tanto, los fabricantes no estarían interesados
en pagar tiempo adicional para ensamblaje.

d. ¿Qué sucede si se incrementa el compromiso de vender unidades del componente 1

a 800 unidades? ¿Y si se incrementa a 1,200 unidades?
Si se vendieran 800 componentes de tipo 1, no pasaría nada, el óptimo seguiría siendo el
mismo, ya quedel componente 1 se producen 1000.

Si se incrementaran a 1200 las ventas del componente 1; cambia la solución óptima por
completo ya que X1 = 1200 y X2 = 0; X3 = 0 y la contribución total sería de $9600.
e. Si se pudieran vender más unidades del componente 3 reduciendo su utilidad a $4,
 ¿Valdría la pena hacerlo?
Si es posible seguirlo produciendo, ya que el mínimo puede llegar a cero y la solución seguirá
siendo la misma. Por lo tanto, si valdría la pena, solo disminuiría la utilidad o contribución total a
$8000 + $800= $8800.

V. CONCLUSIONES

en conclusión se puede decir que es de gran importancia adquirir por nuestra cuenta estos
conocimientos se queda de aprendizaje las diferencias que existen entre este nuevo método
a analizar y el método con el que se estuvo trabajando la unidad pasada, una de las diferencias
la diferencia principal del método simplex y el método dual, es que el simplex se inician con
una solución factible y la mantiene mientras busca conseguir la optimización.