3.
ANÁLISIS DE DUALIDAD Y DE
SENSIBILIDAD (2H)
El análisis de sensibilidad es el estudio de cómo los cambios en los coeficientes de un problema
de programación lineal afectan a la solución óptima. Mediante el análisis de sensibilidad, podemos
responder preguntas como las siguientes:
• 1. ¿Cómo afectará el cambio de un coeficiente de la función objetivo a la solución óptima?
• 2. ¿Cómo afectará el cambio de un valor del lado derecho de una restricción a la solución
óptima?
Debido a que el análisis de sensibilidad se ocupa de cómo estos cambios afectan a la solución
óptima, este análisis comienza hasta que se obtiene la solución óptima para el problema de
programación lineal. Por esta razón, el análisis de sensibilidad con frecuencia se conoce como
análisis de post-optimalidad.
3.1. Relación Primal Dual
Uno de los descubrimientos más importantes en la programación lineal fue el concepto de dualidad
así como sus ramificaciones. Se encontró que asociado a todo problema de programación lineal
llamado primal, existe otro problema lineal llamado dual. Las relaciones entre ambos problemas
son útiles por las siguientes razones:
• En algunas ocasiones se puede reducir el esfuerzo de cálculo al convertir un problema en
otro más sencillo.
• Se obtiene información de los llamados precios sombra.
• Se conoce el método simplex dual
• Proporciona un método para el análisis de sensibilidad y para la solución de problemas de
transporte.
Dada nuestra forma estándar para el problema primal, que se presenta a la izquierda (quizá
después de hacer conversiones cuando provienen de otras formas), su problema dual tiene la
forma que se muestra a la derecha.
Problema primal Problema dual
Maximizar 𝑍 = ∑'%() 𝑐% 𝑥% Minimizar 𝑊 = ∑2
+() 𝑏+ 𝑦+
Sujeta a Sujeta a
∑'%() 𝑎+% 𝑥% ≤ 𝑏+ para i=1,2,…,m ∑'%() 𝑎+% 𝑦+ ≥ 𝑐% para j=1,2,…,m
𝑥% ≥ 0 para j=1,2,…,n 𝑦+ ≥ 0 para i=1,2,…,n
En consecuencia, con el problema primal en la forma de maximización, el problema dual está en la
forma de minimización. Aún más, el problema dual usa exactamente los mismos parámetros que el
problema primal, pero en diferentes lugares, tal como se resume a continuación.
UNIDAD III. Análisis de dualidad y de sensibilidad
1. Los coeficientes de la función objetivo del problema primal son los lados derechos (bi) de las
restricciones funcionales del problema dual.
2. Los lados derechos de las restricciones funcionales del problema primal son los coeficientes
de la función objetivo del problema dual.
3. Los coeficientes de una variable de las restricciones funcionales del problema primal son los
coeficientes de una restricción funcional del problema dual.
4. 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.
Primal Dual Tabla de Tucker
Restricción i « Variable i Maximizar Minimizar
Rest ≤ Var ≥
Lados derechos
Función objetivo « (bi) Rest ≥ Var ≤
Rest = Var irrestricta
Maximizar Z=cx Minimizar W=yb Var ≥ Rest ≥
Sujeta a Sujeta a
Var ≤ Rest ≤
Ax≤b yA≥c
x≥0 y≥0 Var irrestricta Rest =
Transforme los siguientes modelos de Primal a Dual.
PRIMAL DUAL
Max Z = 3x1+5x2 Min Y=4y1+12y2+18y3
x1 ≤4 y1+ 3y3≥3
2x2 ≤ 12 2y2+2y3≥5
3x1+2x2 ≤ 18 y1, y2, y3 ≥ 0
x1, x2 ≥ 0
Min Z = 2x1+4x2 Max Y = 80y1+20y2+10y3
x1+5x2 ≤ 80 y1+ 4y2+ y3 ≤ 2
4x1+2x2 ≥ 20 5y1+ 2y2+ y3 ≤ 4
x1+ x2 = 10 y1 ≤0, y2 ≥ 0, y3 = irrestricta
x1, x2 ≥ 0
Min Z = 24x1+13x2 Max Y = 20y1+10y2
5x1+2x2 ≥ 20 5y1+4y2 ≤ 24
4x1+5x2 ≥ 10 2y1+5y2 ≤ 13
x1, x2 ≥ 0 y1, y2 ≥ 0
INVESTIGACIÓN DE OPERACIONES 1 36
ASESOR: DR. PAUL ADOLFO TABOADA GONZÁLEZ
UNIDAD III. Análisis de dualidad y de sensibilidad
3.2. Interpretación Económica del Dual
Los problemas de programación lineal se pueden interpretar como la asignación de recursos a las
actividades. En muchos casos puede haber dudas respecto de las cantidades que estarán
disponibles. Si así es, los valores bi que se usan en el modelo inicial pueden representar una
decisión inicial tentativa sobre la cantidad de recursos que se asignarán a las actividades
consideradas en el modelo. Por tal motivo, es posible que algunos valores de bi se puedan
incrementar en un modelo revisado, pero sólo cuando se presenten razones sobre los beneficios
que reportará esta revisión.
En consecuencia, la información sobre la contribución económica de los recursos a la medida de
desempeño (Z) para el estudio en curso casi siempre será muy útil. El método simplex proporciona
esta información en forma de precios sombra (en algunas publicaciones, las variables yi se
conocen con el nombre abstracto de precios duales) para los recursos respectivos.
3.2.1. Precios sombra
Los precios sombra del recurso i (denotados por yi*) miden el valor marginal de éste, es decir, la
tasa a la que Z puede aumentar (o decrementar) si se incrementa (un poco) la cantidad que se
proporciona de este recurso (bi). El método simplex identifica este precio sombra como yi* =
coeficiente de la i-ésima variable de holgura del renglón 0 de la tabla simplex final.
Por ejemplo, considere la siguiente tabla óptima. Los x1 x2 S1 S2 S3 bi
precios sombra de estos recursos proporcionan la
información que necesita el tomador de decisiones Z 0 0 0 -1/2 -1/2 -10
para determinar cuál recurso sería conveniente S1 0 0 1 1/4 1 14
incrementar. Los precios sombra serían: X1 1 0 0 1/8 -1/4 1
y1*=0,
X2 0 1 0 1/8 1/4 3
y2*= -1/2
y3*=-1/2.
Esto indica que si se incrementara una unidad en la restricción 2 se reduciría la función objetivo en
1/2. En las siguientes figuras, obtenidas en POM-QM, se puede ver este comportamiento.
Caso 1, Original Incrementando R1 Incrementando R2
Este comportamiento es válido para pequeños incrementos. Si se hace un aumento excesivo
cambia el conjunto de variables básicas de la solución óptima y debe obtenerse una tabla símplex
final con nuevos precios sombra.
INVESTIGACIÓN DE OPERACIONES 1 37
ASESOR: DR. PAUL ADOLFO TABOADA GONZÁLEZ
UNIDAD III. Análisis de dualidad y de sensibilidad
Los recursos que limitan a Z para que no pueda incrementar/decrementar se conocen como
bienes escasos (diferentes de cero), mientras que los recursos disponibles en exceso (recursos
con precios sombra iguales a cero) son bienes libres.
3.2.2. Costo reducido
Se puede definir al costo reducido con base en un aspecto económico del modelo de
programación lineal. Se considera que una variable de programa lineal es una actividad económica
que consume (le entran) recursos para fines de producir (sale) una utilidad. Desde este punto de
vista se tiene la siguiente definición:
𝐶𝑜𝑠𝑡𝑜 𝑟𝑒𝑑𝑢𝑐𝑖𝑑𝑜 𝑝𝑜𝑟 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑜𝑠 𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑
3 B=3 B−3 B
𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑗 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑗 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑗
Si es positivo el costo reducido de la actividad por unidad, su costo unitario de recursos
consumidos es mayor que su utilidad unitaria, y se debe desechar la actividad. Eso quiere decir
que el valor de su variable asociada en la solución óptima debe ser cero. También, una actividad
que es económicamente atractiva tendrá un costo reducido igual a cero en la solución óptima, y
eso quiere decir que hay equilibrio entre la salida (utilidad unitaria) y la entrada (costo unitario de
recursos consumidos).
Cuando en la columna Reduced Cost (Costo reducido) aparece cero indica que no hay pérdida por
cada unidad que se produce. Si aparece un valor diferente de cero, este indica la cantidad que se
pierde por cada unidad que se produce. Por ejemplo, para los componentes x1 y x3 no se produce
ninguna unidad porque por cada unidad que se llegue a producir se perdería $1 y $2
respectivamente. Es por eso que en la solución del modelo no se indica producir.
Meta 3.1: Realizar autoevaluación “Conceptos de dualidad”
INVESTIGACIÓN DE OPERACIONES 1 38
ASESOR: DR. PAUL ADOLFO TABOADA GONZÁLEZ
3.3. Análisis de Sensibilidad
El objetivo del AS es investigar o analizar el efecto que se tienen en la solución óptima al hacer
cambios en los parámetros del modelo original. Los cambios pueden ser discretos o paramétricos.
En los cambios discretos los valores cambian de un valor a otro definido. En los cambios
paramétricos los valores se varían en un intervalo para determinar en qué momento cambia la
solución óptima actual.
En un modelo frecuentemente se efectúan cambios de manera independiente, es decir, se cambia
un solo parámetro a la vez, sin embargo, se puede efectuar más de un cambio simultáneo. Se
pueden realizar cambio en: a) el lado derecho de las restricciones (bi); b) los coeficientes de la
función objetivo (ci); los coeficientes tecnológicos de las variables de decisión (aij); aplicación de
una nueva variable (xi+1); y adición de una nueva restricción.
Método
• Hacer los cambios deseados en el modelo original.
• Emplear la teoría del método simplex para conocer el impacto de los cambios en la
solución óptima.
• En caso de alterarse la solución óptima, encontrar la nueva solución (reoptimizar).
Solución matricial de un sistema de ecuaciones
La expresión: 𝐴𝑥⃗ = 𝑏I⃗ → 1 representa un sistema de ecuaciones expresado en forma matricial,
donde:
• A es la matriz de coeficientes de un sistema con n+m variables y m ecuaciones
• x es el vector de incógnitas y
• b es el vector del lado derecho del sistema.
Para resolver el sistema 1, 𝐴𝑥⃗ = 𝑏I⃗, debe suponer que existe la inversa de la matriz A. Si esta
existe, entonces la solución del sistema se obtiene pre-multiplicando ambos miembros de la
ecuación por dicha inversa:
𝐴J) 𝐴𝑥 = 𝐴J) 𝑏I⃗, 𝑐𝑜𝑚𝑜 𝐴J) 𝐴 = 𝐼, entonces 𝑥 = 𝐴J) 𝑏I⃗, es la solución del sistema
A continuación se aplica este concepto a un problema de programación lineal:
1. El sistema de ecuaciones iniciales asociado al problema en forma tabular es:
Tabla inicial de un problema de programación lineal
V.B. Z VECTORES NO BÁSICOS VECTORES BÁSICOS SOLUCIÓN
Z 1 IIII⃗
−𝐶 M
IIII⃗
−𝐶 N
0
IIIII⃗
𝑋N I0⃗ A B 𝑏I⃗
UNIDAD III. Análisis de dualidad y de sensibilidad
2. El sistema de ecuaciones iniciales asociado al problema en forma matricial es:
A 𝑋⃗ = 𝑏I⃗
IIII⃗
1 −𝐶 M
I⃗ 𝑍
0 0
P R SIIIII⃗T = S T
I⃗
0 𝐴 𝐼 𝑋 N 𝑏I⃗
A siempre será inversible al considerar solo los vectores básicos del sistema entonces
1 −𝐶IIII⃗ IIII⃗ J)
N R la inversa es 𝐴J) = P1 𝐶N 𝐵 R
𝐴=P
I0⃗ 𝐵 I0⃗ 𝐵 J)
IIII⃗
1 −𝐶 N V 1 I0
⃗ J) I⃗ 1 IIII⃗
𝐶N 𝐵 J) IIII⃗
𝐴=P R𝐵 P1 0 W R X𝐶N Y
I⃗
0 𝐵 0 𝐼 I⃗ I0⃗ 𝐼 I0⃗ 𝐵 J)
𝐴J) A 𝑋⃗ = 𝐴J) 𝑏I⃗
1 𝐶IIII⃗ J) IIII⃗
N 𝐵 R P1 −𝐶M
I⃗ 𝑍
0 1 IIII⃗
𝐶N 𝐵J) 0
P R SIIIII⃗T = P RS T
I⃗
0 𝐵 J) I⃗
0 𝐴 𝐼 𝑋 N I⃗
0 𝐵J) 𝑏I⃗
Al efectuar la multiplicación matricial tenemos:
1 IIII⃗
𝐶N 𝐵J) 𝐴 − IIII⃗
𝐶M IIII⃗
𝐶N 𝐵J) 𝑍 𝐶 𝐵J) 𝑏I⃗
IIII⃗
P R SIIIII⃗T = P N R
I0⃗ J)
𝐵 𝐴 𝐵J) 𝑋N 𝐵J) 𝑏I⃗
Lo cual representa la solución del sistema, entonces la solución para cualquier tabla simplex
estaría representada por los siguientes valores:
V.B. Z VECTORES NO BÁSICOS AL VECTORES BÁSICOS AL SOLUCIÓN
INICIO INICIO
Z 1 𝑧% − 𝑐% = IIII⃗
𝐶N 𝐵J) 𝐴 − IIII⃗
𝐶M IIIII⃗
𝑋M = IIII⃗
𝐶N 𝐵J) 𝐶N 𝐵 J) 𝑏I⃗
𝑧 = IIII⃗
IIIII⃗
𝑋N I0⃗ 𝐵 J) 𝐴 𝐵 J) 𝐵 J) 𝑏I⃗
Teoría del Método Simplex
La teoría del método simplex se basa en la forma matricial de un sistema de ecuaciones lineales.
𝐶⃗ Vector de coeficientes objetivo de las variables involucradas
IIII⃗
𝐶M Vector de coeficientes de la función objetivo asociado a las variables no básicas iniciales
IIII⃗ Vector de coeficientes de la función objetivo asociado a las variables básicas de la tabla
𝐶N óptima pero con valores iniciales
IIIII⃗
𝑋N Vector de variables básicas en cualquier tabla
𝑏I⃗ Vector de recursos del problema inicial
A Matriz de vectores no básicos iniciales
B Matriz de vectores básicos de cualquier tabla pero con valores iniciales
I Matriz de identidad (B = I en la tabla inicial)
INVESTIGACIÓN DE OPERACIONES 1 40
ASESOR: DR. PAUL ADOLFO TABOADA GONZÁLEZ
UNIDAD III. Análisis de dualidad y de sensibilidad
Considere el siguiente modelo
Max Z = -5x1 +5x2 +13 x3 V.B. Z x1 x2 x3 S1 S2 bi
-x1 + x2 + 3x3 £ 20
IIII⃗
𝐶N Z 1 5 -5 -13 0 0 0
12x1 +4x2 +10x3 £ 90
S1 0 -1 1 3 1 0 20
x1, x2, x3 ³ 0
y su tabla óptima. S2 0 12 4 10 0 1 90
V.B. Z x1 x2 x3 S1 S2 bi
IIII⃗
𝐶N Z 1 0 0 2 5 0 100
5 x2 0 -1 1 3 1 0 20
0 S2 0 16 0 -2 -4 1 10
20 20 1 0
IIIII⃗
𝑋N = [ ] 𝑏I⃗ = [ ] 𝐵J) = [ ] IIII⃗
𝐶N = {5 0} IIII⃗
𝐶M = {−5 5 13}
10 90 −4 1
Realice un análisis de sensibilidad para analizar los siguientes cambios independientes en el
modelo original.
3.3.1. Cambio en el lado derecho de las restricciones
La factibilidad de la solución óptima en el momento sólo puede variar si 1) cambia el lado derecho
de las restricciones, o 2) se agrega al modelo una restricción nueva. En ambos casos se tiene no
factibilidad cuando al menos un elemento del lado derecho en la tabla óptima se hace negativo;
esto es, una o más de las variables básicas actuales se vuelve negativa. En tal caso, reoptimizar
con simplex dual.
Ejercicio 17. Cambie el lado derecho b1 a 30
1 0 30 30 30
𝑋N = 𝐵J) 𝑏I⃗ = d
IIIII⃗ ed e = d e 𝐶N 𝐵 J) 𝑏I⃗ = IIII⃗
𝑧 = IIII⃗ 𝐶N IIIII⃗
𝑋N = (5 0) d e = 150
−4 1 90 −30 −30
V.B. Z x1 x2 x3 S1 S2 bi
Z 1 0 0 2 5 0 150
x2 0 -1 1 3 1 0 30
S2 0 16 0 -2 -4 1 -30*
*Es infactible, aplicar simplex dual.
Ejercicio 18. Cambie el lado derecho (bi o recursos disponibles), (b1, b2)T, a (10,100)T.
1 0 10 10 10
𝑋N = 𝐵J) 𝑏I⃗ = d
IIIII⃗ ed e=d e 𝐶N 𝐵 J) 𝑏I⃗ = IIII⃗
𝑧 = IIII⃗ 𝐶N IIIII⃗
𝑋N = (5 0) d e = 50
−4 1 100 60 60
V.B. Z x1 x2 x3 S1 S2 Sol
Z 1 0 0 2 5 0 50
x2 0 -1 1 3 1 0 10
S2 0 16 0 -2 -4 1 60
INVESTIGACIÓN DE OPERACIONES 1 41
ASESOR: DR. PAUL ADOLFO TABOADA GONZÁLEZ
UNIDAD III. Análisis de dualidad y de sensibilidad
3.3.2. Cambio en coeficientes de la función objetivo
Si se cambia únicamente el coeficiente de una variable no básica en la función objetivo, el único
efecto que se produce es el cambio de su valor 𝑧% − 𝑐% correspondiente a esa columna no básica.
𝑧)i − 𝑐)i = X𝑧% − 𝑐% Y + X𝑐% − 𝑐%i Y
Donde (𝑧% − 𝑐% ) es el valor j en el vector de coeficientes de la tabla óptima; 𝑐% es el valor del
coeficiente j en el vector de coeficientes inicial; y 𝑐%i es el valor del nuevo coeficiente. Si el nuevo
valor de zj-cj afecta la optimalidad, será necesario aplicar el simplex nuevamente para optimizar.
Por ejemplo, en un problema de maximización se procede de la siguiente forma:
• Si 𝑧% − 𝑐%i < 0, Se re-optimiza con el algoritmo del Simplex, haciendo básica xi.
• Si 𝑧% − 𝑐%i > 0, la solución sigue siendo óptima.
Ejercicio 19. Cambie el coeficiente de x1 a (-8)
𝑧)i − 𝑐)i = (𝑧) − 𝑐) ) + (𝑐) − 𝑐)i ) V.B. Z x1 x2 x3 S1 S2 bi
Z 1 3 0 2 5 0 100
𝑧)i − 𝑐)i = 0 + X−5 − (−8)Y = 3
x2 0 -1 1 3 1 0 20
S2 0 16 0 -2 -4 1 10
Ejercicio 20. Cambie los coeficientes de x1 a: (c1, a11, a21)T = (-1, 2, 3)T
IIII⃗ 1 0 2 2
𝑋) 'nopq óst+2q = 𝐵J) IIII⃗
𝑥) uqovJ'nopq. = d ed e = d e
−4 1 3 −5
IIII⃗ J) IIII⃗ IIII⃗ 2
𝑧% − 𝑐% = x𝐶 N 𝐵 III⃗
𝑥y uqovJ'nopq. z − 𝑐%J'nopq = x𝐶 N 𝑋) 'nopq óst+2q z − 𝑐) = (5 0) d e − (−1) = 10 + 1 = 11
−5
V.B. Z x1 x2 x3 S1 S2 Sol
Z 1 11 0 2 5 0 100
x2 0 2 1 3 1 0 20
S2 0 -5 0 -2 -4 1 10
Cuando cambia una variable básica, B cambia y B-1 cambia modificándose toda la tabla
Ejercicio 21. Cambie los coeficientes de x2 a: (c2, a12, a22)T = (6, 2, 5)T
2 0
Como cambió x2, que es una variable básica, los nuevos valores de los vectores son: 𝐵 = d e ∴
5 1
1/2 0
𝐵J) = S T
−5/2 1
1/2 0 −1 2 3 −1/2 1 3/2
𝐵J) 𝐴 = S Td e=S T
−5/2 1 12 5 10 29/2 0 5/2
1/2 0 20 10 10
𝑋N = 𝐵J) IIIIIIIIII⃗
IIIII⃗ 𝑏q}~•. = S Td e = d e 𝐶N 𝐵J) 𝑏I⃗ = IIII⃗
𝑧 = IIII⃗ 𝐶N IIIII⃗
𝑋N = (6 0) d e = 60
−5/2 1 90 40 40
1/2 0
𝑋𝑁 = IIII⃗
IIII⃗ 𝐶N 𝐵J) = (6 0) S T = [3 0]
−5/2 1
−1/2 1 3/2
𝑧% − 𝑐% = IIII⃗
𝐶N 𝐵 J) 𝐴 − IIII⃗
𝐶M = (6 0) S 29/2 T − [−5 6 13] = [2 0 −4]
0 5/2
INVESTIGACIÓN DE OPERACIONES 1 42
ASESOR: DR. PAUL ADOLFO TABOADA GONZÁLEZ
UNIDAD III. Análisis de dualidad y de sensibilidad
Ci orig -5 6 13 0 0 Como x3 es negativo, pierde
IIII⃗
𝐶N V.B. Z x1 x2 x3 S1 S2 Sol optimalidad y se aplica simplex.
Z 1 2 0 -4 3 0 60 Entra x3 y sale x2. La tabla óptima
6 x2 0 -1/2 1 3/2 1/2 0 10 sería la siguiente.
0 S2 0 29/2 0 5/2 -5/2 1 40
V.B. Z x1 x2 x3 S1 S2 Sol
Z 1 2/3 8/3 0 13/3 0 260/3
x3 0 -1/3 2/3 1 1/3 0 20/3
S2 0 46/3 -5/3 0 -10/3 1 70/3
Meta 3.2: Resolver Actividad 4 aplicando Análisis de Sensibilidad
INVESTIGACIÓN DE OPERACIONES 1 43
ASESOR: DR. PAUL ADOLFO TABOADA GONZÁLEZ
UNIDAD III. Análisis de dualidad y de sensibilidad
Actividad 4. Considere el siguiente problema:
Max Z = 2x1 - x2 + x3
3x1 - 2x2 + 2x3 £ 15
-x1 + x2 + x3 £ 3
x1 - x2 + x3 £ 4
x1, x2, x3 ³ 0
Sean S1, S2 y S3 las variables de holgura para las respectivas restricciones. El método simplex
llevó al siguiente conjunto final de ecuaciones:
2 -1 1 0 0 0
x1 x2 x3 S1 S2 S3 bi
Zj 0 0 2 1 1 0 18
x2 0 1 5 1 3 0 24
S3 0 0 2 0 1 1 7
x1 1 0 4 1 2 0 21
Ahora debe llevar a cabo un análisis de sensibilidad para investigar cada uno de los siguientes
ocho cambios independiente en el modelo original. Para cada cambio, utilice el análisis de
sensibilidad para revisar este conjunto de ecuaciones (en forma de tabla) y convertirlo en uno de la
forma apropiada de eliminación Gauss-Jordan para identificar y evaluar la solución básica actual.
Después pruebe la factibilidad y la optimalidad de esta solución. Si cualquiera de las pruebas falla,
re-optimice para encontrar una nueva solución óptima.
a) Cambie el coeficiente de x3 en la función objetivo a c3 = 2
b) Cambie el coeficiente de x1 en la función objetivo a c1 = 3
c) Cambie el coeficiente de x3 a
𝑐„ 4
𝑎)„ 3
ƒ𝑎 † = ƒ †
…„ 2
𝑎„„ 1
d) Cambie el coeficiente de x1 y x2 a:
𝑐) 1 𝑐… −2
𝑎)) 1 𝑎)… −2
ƒ𝑎 † = ƒ † y ƒ𝑎 † = ƒ †
…) −2 …… 3
𝑎„) 3 𝑎„… 2
INVESTIGACIÓN DE OPERACIONES 1 44
ASESOR: DR. PAUL ADOLFO TABOADA GONZÁLEZ
