Unidad III Teoría de dualidad y análisis de sensibilidad.

Objetivo: Conocerá y aplicará el concepto fundamental de la dualidad y la relación

matemática con el problema primal, así como la metodología del análisis de
sensibilidad, para determinar el efecto que tienen los cambios realizados en el modelo
de P. L. (8 hr)

3.1 Formulación del problema dual.

La estructura del tableau inicial de cualquier programa lineal de forma canónica es

Var. Originales Var. de

Holgura
Z X1 X2 . . . Xn Xn+1 . . . Xn+m
1 -c 0 0
0 A I b

La estructura del tableau óptimo es:

z1-c1 z2-c2 … zn-cn zn+1-cn+1 … zn+m-cn+m

1 cBB-1A-c cBB-1 0
0 B-1A B-1 b

Usos de la formulación dual

Las estructuras duales permiten entre otras coas:

a) Resolver problemas lineales que tienen más restricciones que actividades.

Como el grado de dificultad en resolver un programa lineal por medio de una
computadora está en función del número de filas de la matriz A y no en el
número de columnas, al aplicarse la dualidad a un problema primario donde m
> n, se obtienen otro problema lineal donde el número de filas n es menor al
número de columnas m, Los teoremas que a continuación se demuestran,
permiten verificar que resolviendo ya sea el primario, se resuelve
automáticamente su correspondiente dual y viceversa.
b) Hacer interpretaciones económicas de las soluciones óptimas de los problemas
de programación lineal.
c) Generar nuevos algoritmos para la solución de problemas de redes de
optimización.
d) Generar métodos como el dual simplex para el análisis de sensibilidad de los
programas de programación lineal.

3.2 Relación primal-dual.

En tanto que el problema primal busca optimalidad, el problema dual busca
automáticamente factibilidad. Esta observación es la base para la creación del método
simplex dual, que comienza mejor que óptimo y continua manteniendo optimalidad en
todas las interacciones, mientras busca factibilidad. El proceso termina en la iteración
donde se alcanza la factibilidad (Taha Pag. 172).

Primal (Max) Dual Primal (Min) Dual

(Min) (Max)
Restricciones ≤ → λi ≥ 0 Restricciones ≤ → λi ≤ 0
Restricciones ≥ → λi ≤ 0 Restricciones ≥ → λi ≥ 0
Restricciones = → λi signo libre Restricciones = → λi signo libre
Xj ≥ 0 → Restricciones ≥ Xj ≥ 0 → Restricciones ≤
Xj ≤ 0 → Restricciones ≤ Xj ≤ 0 → Restricciones ≥
Xj signo libre → Restricciones = Xj signo libre → Restricciones =

Primal Dual
Óptimo finito Óptimo finito
Óptimo no finito No soluciones factibles
No soluciones factibles No soluciones factibles óptimo no
finito
No soluciones factibles Óptimo no finito
No soluciones factibles Óptimo no No soluciones factibles
finito

Problema Elemento Dimensión Característica

X Vector columna con n Vector de variables de
componentes actividad primaria
c Vector renglón con n Vector de precios
componentes unitarios primarios
b Vector columna con m Vector de disponibilidad
Primario
componentes de recursos primarios
A Matriz de m por n Matriz de coeficientes
tecnológicos
Z Escalar Función objetivo primaria
O Vector columna con n ceros
Y Vector columna con m Vector de variables de
componetes actividades duales
cT Transpuesta del vector c, o sea, Vector de disponibilidad
vector columna con n de recursos duales
componentes
bT Transpuesta del vector b, o sea, Vector de precios
Dual
vector renglón con m unitarios duales
componentes
AT Transpuesta de la matriz A, o Matriz de coeficientes
sea, matriz n por m. tecnológicos
G Escalar Función objetivo dual
O Vector columna con m ceros
3.3 Interpretación económica del dual.

Para ver como la interpretación del problema primal conduce a una interpretación
económica del problema dual, observe en la siguiente tabla que W es el valor de Z
(ganancia total) en la interacción actual. Como

W =b1 y 1+ b2 y 2 +…+ bm y m .

Cada b i y i puede interpretarse como la contribución a la ganancia por disponer de b i

unidades del recurso i en el problema primal. Así,

La variable y i se interpreta como la contribución a la ganancia por unidad del recurso

i(i=1,2,…,m), cuando se usa el conjunto actual de variables básicas para obtener la
solución primal.

En otras palabras, los valores de y i (o los valores de y i*

3.4 Dual simplex.

Procedimiento dual simplex (LIBERMAN PAG 310)

El método dual-simplex requiere de la aplicación de dos criterios para su
solución: El criterio de optimalidad que asegura que la solución permanecerá
óptima todo el tiempo y el criterio de factibilidad que forza las soluciones
básicas hacia el espacio factible. 

1. Aplicar Criterio de Factibilidad. La variable saliente será aquella variable

básica que tenga el valor más negativo en el vector bi. Si todas las
variables básicas son positivas o sea  0 se tiene la solución final, óptima
y factible. 
2. Criterio de optimalidad. La variable entrante se selecciona de entre
las variables no-básicas como sigue: 

Dividir los coeficientes de la ecuación cero entre los coeficientes de la

ecuación asociada con la variable saliente, ignorando
denominadores positivos y/o ceros. La variable entrante será aquella
cuyo cociente sea el menor, si el problema es de minimizar, ó el de menor
valor absoluto si es de maximizar. Si todos los denominadores son 0,
el problema no tendrá solución factible.
La aplicación del método dual-simplex es especialmente útil para el tema
de análisis de sensibilidad.

La estructura del tableau inicial de cualquier programa lineal de forma canónica es

Cambios que afectan la optimalidad
1. Se cambian los coeficientes objetivos
2. Se cambia el uso de un recurso de una actividad no básica (o sea, un vector
columna no básico en A).
3. Se agrega una nueva actividad al modelo.

Cambios que afectan la factibilidad

1. Se cambia el factor b del segundo miembro.
2. Se agrega una nueva restricción al modelo.

3.5 Cambios en el vector costos Cj, cuando Xj de Cj es básica,

y cuando Xj de Cj no es básica.
Supóngase que el problema original (PO), cuya solución óptima se tiene a la mano es

Máx Z=cX

s . a AX ≤b

X ≥0

Se cambiará en forma discreta el vector c, cuyo nuevo valor será c + ∆c, donde ∆c, es
un vector con n componentes. El nuevo problema (PN) a resolver es

Máx Z=(c +∆ c) X

s . a AX ≤b

X ≥0

El análisis de sensibilidad para este tipo de cambio toma como punto de partida la
solución óptima de (PO). Supóngase que B-1, es la inversa de la base óptima asociada
a (PO). Se tiene que al cambiar c por c + ∆c, las z j −c j cambian a z j −(c j+ ∆ c j ) o sea

z j −( c j + ∆ c j )=c B B−1 a j−(c j + ∆ c j )

Donde a j es la columna j de la matriz A.

Se sabe que en condiciones de optimalidad z j −(c j+ ∆ c j ) debe ser no-negativa para

cualquier j en A, no en B, y debe ser cero para cualquier j en B. Si esas condiciones se
cumplen, la X B asociada al tableau óptimo de (PO) permanece óptimo y el nuevo valor
de la función objetivo será

Z=( c B + △ c B ) X B

En caso contrario se deberá primero hacer la z j −(c j+ ∆ c j ) igual a cero, para j, para j
en B, mediante operaciones matriciales elementales y después obtener las
condiciones de optimalidad z j −c j ≥0 , para j en A, j no en B, mediante el método
simplex.

Análisis de sensibilidad para cambio discretos Prawda pagina 147

Ejemplo 1. Tómese como problema original el siguiente

Max Z=5 X 1+3 X 2

s . a 3 X 1+ 5 X 2 ≤ 15

5 X 1 +2 X 2 ≤10

X j≥ 0 ; ∀ j

Cuyo tableau óptimo es

Base X0 X1 X2 X3 X4 Sol
X0 1 0 0 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

Supóngase que el precio unitario del producto químico B, se reduce de $ 3 a $ 1. El

nuevo problema lineal es

Max Z=5 X 1+ X 2

s . a 3+5 X 2 ≤ 15

5 X 1 +2 X 2 ≤10

X j≥ 0 ; ∀ j

Nótese que

c + △ c=( 5 ,3 ,0 , 0 ) + ( 0 ,−2 , 0 ,0 )

¿ ( 5 , 1, 0 , 0 )

Como la única componente de c que cambio es c2, únicamente z2-c2 cambia a

z 2−( c 2 +∆ c2 ) =c B B−1 a2−(c 2+ ∆ c 2)

¿ ( 5/19 , 16/19 ) 5 −1=2

2 ()
Pero z 2−( c 2 +∆ c2 ) =0 en condiciones de optimalidad porque j = 2 está en la base
original óptima de (PO). Entonces, mediante operaciones matriciales elementales se
transforma el siguiente tableau

Base X0 X1 X2 X3 X4 Sol
 X0 1 0 2 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

Base X0 X1 X2 X3 X4 Sol
X0 1 0 0 -5/19 22/19 145/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

Que no es óptimo porque z3 –c3 = -5/19 < 0. Utilizando el método simplex se obtiene
la nueva solución óptima que es

Base X0 X1 X2 X3 X4 Sol
X0 1 0 1 0 1 10
X3 0 0 19/5 1 -3/5 9
X1 0 1 2/5 0 1/5 2

O sea

X3 9
X=
XB
XN
=
X1
( )
X2
X4
=
2
0
0
[ ][]
Z=10

El lector podrá comprobar en efecto que la solución satisface las restricciones del
problema.

Ejemplo 2. Supóngase que el precio de ambos productos químicos es de $ 1. El

nuevo problema a resolver sería

Max Z= X 1+ X 2

s . a 3 X 1+ 5 X 2 ≤ 15

5 X 1 +2 X 2 ≤10

X j≥ 0 ; ∀ j

El nuevo vector c +∆ c es

c +∆ c=( 5 ,3 , 0 , 0 ) + (−4 ,−2, 0 , 0 )

¿ ( 1 ,1 , 0 , 0 )

O sea que sólo z1 – c1 y z2 – c2 han cambiado a

z 1−( c 1 +∆ c1 ) =c B B−1 a1−( c 1 +∆ c1 )

¿ ( 5/19 , 16/19 ) 3 −1
()5

¿ 5−1=4

z 2−( c 2 +∆ c2 ) =c B B−1 a2−(c 2+ ∆ c 2)

¿ ( 5/19,16/19 ) 5 −1
()
2

¿ 3−1=2

Como tanto el vector a1 y a2 están en la base óptima correspondiente a (PO), la

z 1−( c 1 +∆ c1 ) y z 2−( c 2 +∆ c2 ) deben ser cero. Los vectores unitarios a1 y a2 se
restablecen del tableau

Base X0 X1 X2 X3 X4 Sol
X0 1 4 2 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

al tableau indicado a continuación mediante el uso de operaciones matriciales

elementales.

Base X0 X1 X2 X3 X4 Sol
X0 1 0 0 3/19 2/19 65/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

Nótese que este tableau es óptimo, dando como resultado

X2 45/19
X=
XB
( )
XN
=
[ ][ ]
X1
X3
X4
=
20/19
0
0

Z=65/19

Ejemplo 3: Sea el problema original.

Max Z=3 X 1+5 X 2

s . a X1≤ 4

3 X 1 +2 X 2 ≤18
 X j≥ 0 ; ∀ j

Siendo su tableau óptimo el siguiente:

Base X0 X1 X2 X3 X4 Sol
X0 1 9/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9

Supóngase que el precio de la primera actividad es $6. El nuevo problema a resolver

es:

Máx Z=6 X 1+ 5 X 2

s . a X1≤ 4

3 X 1 +2 X 2 ≤18

X 1 ≥ 0 , X 2 ≥ 0.

El nuevo vector c +∆ c es

c +∆ c=( 3,5,0,0 ) +(3,0,0,0)

¿ ( 6,5,0,0 ) ,

Y la única z j −c j que cambia es

z 1−(c 1+ ∆ c 1)=II a1−¿(c +∆ c )¿

1 1

( 52 )( 13)−6
¿ 0,

3
¿
2

El nuevo tableau quedaría

Base X0 X1 X2 X3 X4 Sol
X0 1 3/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9

Y por lo tanto es óptimo. Como se ve en este ejemplo, al cambiar el precio unitario de

X1 (que no es básico) de $3 a $6, no ha cambiado la solución óptima que es
 X3 4
X=
XB
( )
XN
=
[ ][]
X2
X1
X4
=
9
0
0

Z=45

La razón es muy sencilla. Como X 1 no es básico, su nivel de utilización es de cero. El

cambio hecho en su precio unitario no lo es suficientemente atractivo para que el nivel
de utilización X 1 se incremente de su valor cero.

Ejemplo 4. Supóngase que el precio de X 1 se cambia a $10. El nuevo problema a

resolver es:

Máx Z=10 X 1+5 X 2

s . a X1≤ 4

3 X 1 +2 X 2 ≤18

X 1 ≥ 0 , X 2 ≥ 0.

El nuevo vector c +∆ c es

c +∆ c=( 3,5,0,0 ) +(7,0,0,0)

¿ ( 10,5,0,0 )

z 1−(c 1+ ∆ c 1)=II a1−¿(c +∆ c )¿

1 1

( 52 )( 13)−10
¿ 0,

15 −5
¿ −10=
2 2

El nuevo tableau que se muestra a continuación

Base X0 X1 X2 X3 X4 Sol
X0 1 -5/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9

No es óptimo, porque z 1−( c 1 +∆ c1 ) =−5/2<0 y por lo tanto se aplica el método

simplex. Una interación conduce al óptimo que es:

Base X0 X1 X2 X3 X4 Sol
X0 1 0 0 5/2 5/2 55
 X1 0 1 0 1 0 4
X2 0 0 1 -3/2 1/2 3

La nueva solución es

X1 4
X=
XB
( )
XN
=
[ ][]
X2
X3
X4
=
3
0
0

Z=55

Nótese que un cambio en el precio unitario en X 1 de $3 a $10, hace primero, que sea
conveniente producir X 1 a un nivel de producción de X 2 de 9 unidades a 3,con un
incremento en la unidad de 45 a 55 unidades.

3.6 Cambio en los Bi de las restricciones.

Supóngase que el problema original (PO) cuya solución óptima se tiene a la mano, es

Máx Z=cX

s . a AX ≤b

X ≥0

Se cambiará en forma discreta el vector b, cuyo nuevo valor será b + ∆b donde ∆b es

un vector con m componentes. El nuevo problema (PN) a resolver es

Máx Z=cX

s . a AX ≤b +∆ b

X ≥0

El análisis de sensibilidad para este tipo de cambio toma como punto de partida la
solución óptima de (PO). Supóngase que B-1 es la inversa de la base óptima asociada
a (PO). Entonces la solución óptima de (PO) es

X B=B−1 b ≥ 0

Z=c B X B

Al cambiar b a b+ ∆ b, el vector X B cambia a uno nuevo ^

X B dado por:
 ^
X B=B−1 (b+∆ b)

Si ^
X B ≥0 , entonces será la nueva solución óptima de (PN). Para que ^
X B ≥0 es
necesario que B−1 ( b+∆ b ) ≥ 0. Si B−1 ( b+∆ b ) ≱ 0, Entonces ^
X B no es factible y habrá
que usar el dual simplex para restaurar la factibilidad y de hecho la optimalidad de
(PN). El dual simplex en caso de usarse, deberá aplicarse al tableau óptimo de (PO),
cambiando la columna X B por la nueva columna ^
XB.

Ejemplo 1. Supóngase que el programa original (PO) consiste en producir un volumen

X de un producto químico A que se vende a $ 5/litro y otro volumen Y de un producto
químico B que se vende a $ 3/litro. Dos tipos de restricciones se consideran en este
ejemplo, personal y costo de producción. En lo que se refiere a la primera restricción
se tiene un máximo de 15 personas, mientras que en lo segundo se tiene un máximo
de $ 10/hora de trabajo. Los coeficientes tecnológicos están dados por:

Producto químico B
Producto químico A

Personal 3 5
Costo de producción 5 2

Si la variable X1 representa el número de litros del producto químico A

a ser producidos por hora y X2 el del producto químico B, el problema lineal original es:

Max Z=5 X 1+3 X 2

s . a 3 X 1+ 5 X 2 ≤ 15

5 X 1 +2 X 2 ≤10

X j≥ 0 ; ∀ j

El tableau original es

Base X0 X1 X2 X3 X4 Sol
X0 1 -5 -3 0 0 0
X3 0 3 5 1 0 15
X4 0 5 2 0 1 10

Y como el lector podrá corroborar, el tableau óptimo resulta ser

Base X0 X1 X2 X3 X4 Sol
X0 1 0 0 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19
O sea

X2 45 /19
X=
XB
( )
XN
=
X1
X3
X4
[ ][ ]
=
20/19
0
0

Z=235/19

B−1= 5/19−3 /19

[
−2/195 /19 ]
Supóngase que por una depresión económica el número de empleados debe reducirse
a 5 y el costo máximo de producción a $ 5/hora. El nuevo vector de disponibilidad de
recursos es

b+ ∆ b= 15 + −10 = 5
[ ][ ][]
10 −5 5

El nuevo programa lineal a resolver sería

Max Z=5 X 1+3 X 2

s . a 3 X 1+ 5 X 2 ≤ 5

5 X 1 +2 X 2 ≤5

X j≥ 0 ; ∀ j

No es necesario resolver el programa desde el principio, sino que utilizando el análisis

de sensibilidad se estudia el cambio B−1 (b+ ∆ b) y se determina si el nuevo vector
X B=B−1 (b+∆ b) es factible o no. Si lo es, también lo es óptimo para (PN). Si no lo es
habrá que restablecer la factibilidad y la optimalidad utilizando el dual simplex a partir
del tableau óptimo de (PO).

X B=B−1 ( b+ ∆ b )= 5/19−3 /19 5

^
[
−2/195 /19 5 ][ ]
¿ [10 /19 ] ≥ [ 0 ]
15 /19 0

Y por lo tanto el nuevo vector

^
X B=B−1 ( b+ ∆ b )
 X B= X 2 = 10/19 ,
[ ][ ]
X1 15/19

Es óptimo. La nueva utilidad óptima es

Z=c B X B

X2
¿( c 2 , c 1)
[ ]
X1

¿(3 ,5) 10/19

[
15/19 ]
¿ $ 105/19

¿ $ 5.53

Nótese que una reducción en la disponibilidad de recursos ha causado una

disminución en la producción óptima de ambos productos químicos, así como en la
utilidad.

Ejemplo 2. Supóngase ahora que el personal se reduce a 10 personas, pero el costo

máximo por hora de producción aumenta a $ 20. El nuevo programa a resolver sería

Max Z=5 X 1+3 X 2

s . a 3 X 1+ 5 X 2 ≤ 10

5 X 1 +2 X 2 ≤20

X j≥ 0 ; ∀ j

Utilizando el análisis de sensibilidad se tiene que

X B=B−1 ( b+ ∆ b )= 5/19−3 /19 10

^
[
−2/ 195 /19 20 ][ ]
¿ [−10 /19 ] ≱ [ 0 ]
80 /19 0

Y por lo tanto se hace necesario utilizar el dual simplex para restaurar la factibilidad y
obtener optimalidad del nuevo programa. Utilizando la tableau óptima del problema
original, con la nueva columna ^
X B s tiene

Base X0 X1 X2 X3 X4 Sol
 X0 1 0 0 5/19 16/19
X2 0 0 1 5/19 -3/19 -10/19
X1 0 1 0 -2/19 5/19 80/19

Base X0 X1 X2 X3 X4 Sol
X0 1 0 16/3 5/3 0
X4 0 0 -19/3 -5/3 1 10/3
X1 0 1 5/3 1/3 0 10/3

La nueva solución es producir

X1 = 10/3 litros del producto químico A por hora,

X2 = 0 litros del producto químico B por hora,

Generando una utilidad óptima de

Z=c B X B

¿( c 4 , c1 ) X 4
[ ]
X1

¿( 0 ,5) 10/ 3
[ ]
15/ 3

¿ $ 50/3

¿ $ 16.66

Nótese que la producción de 10/3 litros del producto químico A implica el uso de

3 ( 10/3 ) +5 ( 0 )=10

Obreros que son los que se tienen, originando que la holgura X 3 = 0, mientras que por
el lado de la restricción del costo se tiene que

5 ( 10/3 ) +2 ( 0 )=50 /3

Generando una holgura en el costo de

X 4=20−50/ 3

¿ 10/3
 3.7 Cambios en los coeficientes aj cuando Xj de aij
es básica, y cuando Xj de aij es no básica.
Unicamente se va a tratar ene esta sección el cambio discreto de uno o varios
coeficientes tecnológicos asociados a variables no básicas. En el caso de que se
trate de una variable básica se recomienda que se resuelva en nuevo problema
desde el principio.

Un cambio en las componentes del vector aj, j en N ocasiona un cambio en el

término zj – cj, j en N puesto que

z j −c j=c B B−1 a j−c j

Si el vector aj se cambia por uno nuevo a^ j, el nuevo termino ^z j −^c j sería

^z j −c^ j=c B B−1 a^ j−c j

Mientras este término sea no negativo, la solución óptima asociada con (PO) sigue
siendo óptima. En caso contrario, es decir, que ^z j −^c j <0 para j en N, hay que aplicar el
método simplex, para resolver

3.8 Adición de una nueva variable.

Problema de la cerveza Primal

. Max Z=5000 X 1+3000 X 2

s . a 3 X 1+ 5 X 2 ≤ 15

500 X 1 +200 X 2 ≤1000

X j≥ 0 ; ∀ j

Dual

. Min Z=15 Y 1 +1000 Y 2

 s . a 3Y 1 +500 Y 2 ≥5000

5 Y 1+ 200Y 2 ≥ 3000

Y i ≥0 ; ∀ i

. Min Z−15 Y 1−1000 Y 2=0

s . a−3 Y 1−500 Y 2 ≤−5000

−5 Y 1−200 Y 2 ≤−3000

Y i ≥0 ; ∀ i

Min Z−15 Y 1−1000 Y 2=0

s . a−3 Y 1−500 Y 2 +¿Y =−5000¿

3

−5 Y 1−200 Y 2 +Y 4 =−3000

Y i ≥0 ; ∀ i

Base Xo X1 X2 X3 X4 Sol.
xo 1 -15 -1000 0 0 0
x3 0 -3 -500 1 0 -5000
x4 0 -5 -200 0 1 -3000

Base Xo X1 X2 X3 X4 Sol.
xo 1 -9 0 -2 0 10000
x2 0 0,006 1 -0,002 0 10
x4 0 -3,8 0 -0,4 1 -1000

Base Xo X1 X2 X3 X4 Sol.

xo 1 0 0 -1,05 -2,37 12368,42

-
x2 0 0 1 0,00263158 0,00157895 8,42
-
x1 0 1 0 0,10526316 0,26315789 263,16
Base Xo X1 X2 X3 X4 X5 X6 Sol.
 xo 1 -3 -1 0 0 0 0 0
x3 0 3 1 1 0 0 0 3
x4 0 -3 -1 0 1 0 0 -3
x5 0 -4 -3 0 0 1 0 -6
x6 0 1 2 0 0 0 1 4

Base Xo X1 X2 X3 X4 X5 X6 Sol.
xo 1 -1,666667 0 0 0 -0,333333 0 2
1,666666 0,333333
x3 0 7 0 1 0 3 0 1
x4 0 -1,666667 0 0 1 -0,333333 0 -1
1,333333
x2 0 3 1 0 0 -0,333333 0 2
0,666666
x6 0 -1,666667 0 0 0 7 1 0

Base Xo X1 X2 X3 X4 X5 X6 Sol.
xo 1 0 0 0 -1 0 0 3
x3 0 0 0 1 1 0 0 0
x1 0 1 0 0 -0,6 0,2 0 0,6
x2 0 0 1 0 0,8 -0,6 0 1,2
x6 0 0 0 0 -1 1 1 1

Solución Óptima y Factible

X*0 = 3
X*1 = 0,6
X*2= 1,2
Solución por Dual-Simplex partiendo del primal

Min X 0=4 X 1 + X 2

s . a 3 X 1+ X 2=3

4 X 1 +3 X 2 ≥6

X 1 +2 X 2 ≤ 4

X j≥ 0 ; ∀ j

Min X 0=4 X 1 + X 2

s . a 3 X 1+ X 2 ≤ 3

3 X1+ X2 ≥ 3

4 X 1 +3 X 2 ≥6

X 1 +2 X 2 ≤ 4

X j≥ 0 ; ∀ j

Min X 0=4 X 1 + X 2

s . a 3 X 1+ X 2 ≤ 3

−3 X 1− X 2 ≤−3

−4 X 1−3 X 2 ≤−6

X 1 +2 X 2 ≤ 4

X j≥ 0 ; ∀ j

Min X 0=4 X 1 + X 2

3 X 1 + X 2 + X 3=3

−3 X 1− X 2 + X 4 =−3

−4 X 1−3 X 2+ X 5=−6

X 1 +2 X 2 + X 6=4

X j≥ 0 ; ∀ j
 Base Xo X1 X2 X3 X4 X5 X6 Sol.
xo 1 -4 -1 0 0 0 0 0
x3 0 3 1 1 0 0 0 3
x4 0 -3 -1 0 1 0 0 -3
x5 0 -4 -3 0 0 1 0 -6
x6 0 1 2 0 0 0 1 4

Base Xo X1 X2 X3 X4 X5 X6 Sol.
xo 1 -2,666667 0 0 0 -0,333333 0 2
1,666666 0,333333
x3 0 7 0 1 0 3 0 1
x4 0 -1,666667 0 0 1 -0,333333 0 -1
1,333333
x2 0 3 1 0 0 -0,333333 0 2
0,666666
x6 0 -1,666667 0 0 0 7 1 0

Base Xo X1 X2 X3 X4 X5 X6 Sol.
xo 1 -1 0 0 -1 0 0 3
x3 0 0 0 1 1 0 0 0
x5 0 5 0 0 -3 1 0 3
x2 0 3 1 0 -1 0 0 3
x6 0 -5 0 0 2 0 1 -2

Base Xo X1 X2 X3 X4 X5 X6 Sol.
xo 1 0 0 0 -1,4 0 -0,2 3,4
x3 0 0 0 1 1 0 0 0
x5 0 30 0 0 -13 1 -5 13
x2 0 0 1 0 0,2 0 0,6 1,8
x1 0 1 0 0 -0,4 0 -0,2 0,4

Solución Óptima y Factible

X*0 = 3,4
X*1 = 0,4
X*2= 1,8