Вы находитесь на странице: 1из 8

Método Simplex de Dos Fases

Karla Johanna Guevara Panamá, Isaura Melany Jingo Cevallos, Blanca Luciana Segovia Rosero,
Facultad de Ingeniería en Ciencias Aplicadas
Carrera de Ingeniería en Electrónica y Redes de la Comunicación
Universidad Técnica del Norte
Ibarra-Ecuador
kjguevarap@utn.edu.ec, imjingoc@utn.edu.ec, blsegoviar@utn.edu.ec
Resumen- Este documento explica el método simplex de X1+X2 +X5 =10
dos fases que consiste en una estrategia algorítmica que Xi>= 0i = 1, 2,3,4,5
se aplica cuando luego de llevar un modelo de
programación lineal a su forma estándar no se dispone de Donde X3 es variable de exceso y X4 y X5 son variables
una solución básica factible inicial, examinando artificiales de la restricción 1 y 2 respectivamente. Luego
intervalos de factibilidad e intervalos de optimalidad. estaos en condiciones de confeccionar la tabla inicial de la
Análisis de dualidad, análisis de sensibilidad y modelos de Fase I donde las variables auxiliares X4 y X5 tienen costo
programación lineal (MPL) primal y dual. reducido igual a uno (dado sus respectivos coeficientes en la
función objetivo de dicha fase).
Palabras Clave- fenómenos de electrización, carga
eléctrica, aislantes, conductores.

INTRODUCCIÓN
En muchas ocasiones nos encontraremos con modelos
donde el conjunto de soluciones factibles no consideran al Tabla 1
origen como una de ellas, por lo cual sera imposible utilizar
el método simplex A continuación se llevan a cero los costos reducidos de X4 y
Para este tipo de casos se han creado X5. Para ello se realizan operaciones filas, por ejemplo,
muchas metodologías que buscan resolver este tipo primero multiplicando por -1 la fila 1 y sumándola a la fila
de problemáticas buscando la solución a través de diversos 3, para luego multiplicar por -1 la fila 2 y sumarla a la fila 3.
procesos. Una de estas alternativas es el método de las dos
fases, el cual, como su nombre lo indica, trabaja por medio
de 2 fases o procedimientos, con el objetivo de encontrar
primeramente una solución factible inicial y después pasar a
resolver el modelo a través del método simplex. Para utilizar
este método se deber tener el modelo en su forma ampliada,
las variables de decisión deben de ser reales y mayores a Tabla 2
cero.
[1] Notar ahora que las variables básicas son X4 y X5 y las
variables no básicas son X1, X2 y X3. Entre las variables no
MÉTODO SIMPLEX DE DOS FACES básicas la que tiene costo reducido negativo es X2, por tanto
El Método Simplex de Dos Fases permite abordar la dicha variable entra a la Base y mediante el criterio de
resolución de aquellos modelos de Programación Lineal que factibilidad o mínimo cuociente se determina aquella
luego de ser llevados a su forma estándar no permite obtener variable básica que deja la base. Esto se obtiene de Min{2/1;
una solución básica factible inicial en las variables del 10/1}=2. Por tanto X4 sale de la base y se realiza una
modelo. Para enfrentar esta situación existen distintas iteración.
estrategias algorítmicas entre las que destacan el Método
Simplex de Dos Fases y el Método de la M Grande, las
cuales suelen ser discutidas en cursos de Investigación
Operativa (Investigación de Operaciones). En el siguiente
artículo nos concentraremos en el análisis de la primera
alternativa a través de un enfoque teórico – práctico.
Tabla 3
Ejemplo Método Simplex de Dos Fases
Considere el MPL usando el Método Simplex de Dos Fases. Luego de concluir la iteración se dispone ahora de dos
Max Z = X1+3X2 variables no básicas con costo reducido negativo: X1 y X3.
S.A. X1-X2 ≤ -2 Teniendo en consideración un criterio de rapidez de
X1+X2 = 10 convergencia se privilegia la entrada a la base de X1 al tener
X1,X2 ≥ 0 ésta el costo reducido más negativo. La variable básica que
deja la base se obtiene de Min{8/2}=4, determinando que
Fase I (Método Simplex de Dos Fases) X5 sale de la base. Para actualizar la tabla sumamos la fila 2
a la fila 3 (de modo que el costo reducido de X1 se
En este caso resulta conveniente multiplicar por -1 la transforme en cero) y luego multiplicamos por 1/2 la fila 2 y
primera restricción de modo que el lado derecho sea la sumamos a la fila 1 (para que de esta forma X1 sea básica
positivo, lo cual tiene como efecto adicional que cambia el asociada a la fila 2, tomando la estructura de la variable
sentido de la desigualdad. En consecuencia el problema que básica saliente X5).
define la Fase I del Método Simplex de Dos Fases es:

MIN X4+X5
S.A. -X1+X2-X3+X4 =2
Por tanto se concluye la Fase II del Método Simplex de Dos
Fases con solución óptima X1=0, X2=10 y X3=8 y valor
óptimo V(P)=30. [2]

Tabla 5 III. DUALIDAD

Se verifica que se concluye la Fase I del Método Simplex de Todo problema de optimización (primal), tiene un problema
Dos Fases. Esta situación se detecta cuando se dispone de asociado (dual) con numerosas propiedades que los
una solución básica que satisface las condiciones de no relacionan y nos permiten hacer un mejor análisis de los
negatividad, donde las variables no básicas tienen costos problemas.
reducidos mayores o iguales a cero y el valor de la función La dualidad resulta de buscar relaciones que permitan
objetivo es igual a cero.
obtener información adicional de un problema de
Fase II (Método Simplex de Dos Fases) optimización general. Esto en relaciones de programación
lineal nos conduce a relaciones primal – dual.
A continuación se da inicio a la Fase II del Método Simplex Esta relación consiste en que todo problema de optimización
de Dos Fases. En esta etapa se elimina las columnas primal tiene un problema asociado dual.
asociadas a las variables auxiliares utilizadas en la Fase I del La teoría de la dualidad es importante, tanto desde el punto
método (en el ejemplo las variables X4 y X5) y se actualiza
de vista teórico como del practico. [3]
el vector de costos reducidos considerando la función
objetivo del problema original en formato de minimización,
esto es MIN -X1–3X2. IV. MODELO DE PROGRAMACIÓN LINEAL
PRIMAL

Los cambios que se hacen en el modelo original de


programación lineal afectan a los elementos de la tabla
optima ´ actual (el que se tenga en el momento), que a su
vez puede afectar la optimalidad y/o la factibilidad de la
Tabla 5 solución actual. Por esta razón estudiaremos como se
recalculan los elementos de la tabla simplex optima ´ para
Cabe recordar que las variables básicas finalizadas la Fase I
reflejar los nuevos cambios.
son X2 y X1 y luego de la actualización de la fila de costos
reducidos (fila 3) será necesario llevar sus respectivos costos La relación entre el problema Dual y su asociado, es decir el
reducidos a cero, para lo cual se suma la fila 2 a la fila 3 y problema original llamado primal, presenta varias utilidades
luego se multiplica por 3 la fila 1 y se suma a la fila 3, como, por ejemplo:
obteniéndose lo siguiente: - Aporta elementos que aumentan sustancialmente la
comprensión de la PL
- El análisis de la dualidad es una herramienta útil en
la solución de problemas de PL
- El problema dual tiene interpretaciones e
informaciones importantes. [3]
Tabla 6
V. MODELO DE PROGRAMACIÓN LINEAL
Del procedimiento anterior resulta que la variable no básica DUAL
X3 tiene costo reducido y por tanto ingresa a la base. La
variable básica que deja la base se obtiene de Min {4/1/2} El problema dual es una programación lineal definida en
=8 y por tanto X1 abandona la base. Con ello se realiza una forma directa y sistemática a partir del modelo original (o
iteración Del método obteniendo la siguiente tabla: primal) de programación lineal. Los dos problemas están
relacionados en forma tan estrecha que la resolución optima
´ de un problema produce en forma automática la resolución
optima del otro.
El modelo dual se define para varias formas del primal,
dependiendo del sentido de la optimización (maximización o
Tabla 7 mini-minimización) que se le vaya a dar, tipos de
restricciones (≤, ≥ o =), y la orientación de las variables (no
Observar que la variable no básica X1 tiene costo reducido negativa o no restringida).
igual a 2 (que satisface las condiciones de no negatividad), Este tipo de tratamiento puede confundir por esta razón se
además de enfrentarnos a una solución básica factible para
presenta una sola definición que comprenda en forma
X2 y X3.
automática a todas las formas del primal. La definición del Para la resolución de este modelo los pasos a seguir son los
problema dual requiere expresar el problema primal en siguientes:
forma de ecuaciones, tal que todas las restricciones son Si el primo es un problema de Maximización, el dual es un
ecuaciones, con lado derecho no negativo y todas las problema de Minimización y viceversa por lo cual:
variables son no negativos. 1. Se define una variable dual por cada ecuación
Este requisito es consistente con el formato de la tabla de primal (restricción).
inicio simplex. En consecuencia, todo resultado obtenido a 2. Se define una restricción dual por cada variable
partir de la solución primal optima se aplican en forma primal.
directa al problema dual asociado. [3] 3. Los coeficientes de restricción (columna) de una
Para mostrar como se forma el problema dual, se define el variable primal definen los coeficientes en el lado
primal en forma de ecuación así: izquierdo de la restricción dual, y su coeficiente
objetivo define el lado derecho.
Maximizar o minimizar =
4. Los coeficientes objetivo del dual son iguales al
Esto está sujeto a: lado derecho de las ecuaciones de restricción primal
como en la tabla que se muestra en la parte
superior.
5. Se procede de la misma manera que en el método
simplex
Las variables xj, j = 1, 2, . . ., n, incluyen las variables
excedentes, holguras y artificiales. VI. TEOREMAS
La tabla 1 muestra cómo se construye el problema dual a
partir del primal y se tiene que:
TEOREMA DE DUALIDAD DÉBIL: En general, el
valor de cualquier solución factible del problema de
minimización provee una cota superior del valor óptimo
del problema de maximización. Análogamente, el valor
de la función objetivo de cualquier solución factible del
problema de maximización es una cota inferior del valor
óptimo del problema de minimización.

Ilustración 1. CONSTRUCCION DEL MODELO


DUAL A PARTIR DEL MODELO PRIMAL TEOREMA DE DUALIDAD FUERTE: En el óptimo
el valor de la función objetivo del problema primal será
La ilustración 2 indica las reglas para construir el modelo igual al valor de la función objetivo del problema dual
dual evaluada en la solución dual óptima. Si el problema
Las reglas para determinar el sentido de la optimización primal es no acotado, entonces el dual es infectable.
(maximización o minimización), el tipo de restricción (≤, ≥ Alternativamente si el problema primal es infactible,
o =), y el signo de las variables duales (siempre no entonces el dual es no acotado.
restringido) se resumen en la siguiente tabla:

COMPLEMENTARIAS: Una variable en el primal está


asociada a una restricción en el dual (y viceversa). En este
sentido si en el primal existe una variable no básica (valor
igual a cero), en el dual la restricción asociado no está
Ilustración 2. REGLAS PARA CONSTRUIR EL activa, es decir, no se cumple en igualdad. Análogamente, si
MODELO la variable es básica en el primal, la restricción asociada en
el dual se cumple en igualdad. Este resultado teórico es útil
Nótese que el sentido de la optimización en el dual siempre toda vez que simplifica la forma de obtener la solución
es el opuesto al del primal. Una forma fácil de recordar el óptima dado que como en un problema lineal la solución
tipo de restricción (es decir, ≤ o ≥) en el dual es que si el óptima (en caso de existir) está en un vértice, esto implica
objetivo del dual es minimización (es decir, “apunta hacia resolver un sistema de ecuaciones (con restricciones de
abajo”), las restricciones son todas del tipo ≥ (es decir, igualdad). [4]
“apuntan hacia arriba”). Cuando el objetivo del dual es
maximización lo contrario es válido. [3] VII. USO DEL SOFTWARE PARA DUALIDAD
Pasos WinQSB
Para la solución de problemas en WinQSB se procede de la Intervalo de factibilidad. Es el intervalo de variabilidad de
misma manera que con los anteriores problemas que se un lado derecho de una restricción.
resuelven.
Procedimiento para el análisis de sensibilidad:
Planteando desde un principio el tema, el número de
Revisión del modelo.
variables y la función a realizar en este caso si el problema Revisión de la tabla simplex final.
es de maximizar o minimizar. Conversión a la forma apropiada.
Como es de conocimiento nuestro resolvemos el problema Prueba de factibilidad.
por medio del método simplex del programa para así tener Prueba de optimalidad.
de forma rápido los resultados del problema. Re optimización.
Al resolver el simplex, daremos un clic sobre la ficha de
Ejercicio1:
“Results” donde podemos observar las opciones para el análisis de
Una empresa que se dedica a la fabricación de dos tipos de
sensibilidad para la función objetivo y para la función sombra correas económicas una de cuero y otra de lona, da a
Al dar clic sobre el análisis de la función objetivo, se despliegan las conocer la ganancia máxima que se obtiene de la producción
variables de decisión y los cambios posibles de ellas y de igual manera se de las dos clases de correas, la ganancia de una correa de
da para la función sombra, etc. cuero es de 4 dólares y la de lona es de 6 dólares.
También hay que señalar que existe la herramienta de reporte combinado, Se cuenta con una disponibilidad de 120 horas para la
en la cual despliega los cambios posibles en una misma tabla. producción y 100h para la inspección y empaque.
Una correa de cuero requiere 2h de producción y 2h de
empaque. Una correa de lona requiere 4h de producción y 3h
VIII. ANÁLISIS DE SENSIBILIDAD de empaque[5].
El análisis de sensibilidad consiste en determinar cuál es el Variables
rango de variación de los parámetros del problema de modo X1= correas de cuero
que la base óptima encontrada siga siendo óptima. X2=correas de lona
El objetivo es identificar los parámetros sensibles. Por
ejemplo, los parámetros cuyos valores no pueden cambiar MPL
sin que cambie la solución óptima. MaxZ= 4X1+6X2
Es importante porque nos permite investigar el efecto que S.A
tendría la solución óptima proporcionada por el método R1:2X1+4X2<= 120
simplex en el hecho de que los parámetros (datos de entrada) R2:4X1+3X2<=100
tomaran otros valores posibles [5]. X1,X2>=0
Mediante el análisis de sensibilidad pueden existir Paso1
diferentes tipos de cambios en el modelo original como: Construir las restricciones y función objetivo igualándola a
cero, con sus respectivas variables de holgura.
1. Cambios en los coeficientes de la función objetivo, Cij Z-4X1-6X2+OS1+OS2=0
2. Cambios en los recursos, bi R1 2X1+4X2+S1 +OS2<= 120 HR DISP PROD
3. Cambios en los coeficientes tecnológicos, aij R2 4X1+3X2+OS1+S2<=100 HR DISP INSPE Y EMPQE
4. Adición de una nueva variable y Xi
5. Adición de una nueva restricción. aij >= bi[6]. Tabla simplex
X1 X2 S1 S2 RES RAZ
Precio Sombra: cambio en el valor de la función objetivo
por aumento unitario en el valor del lado derecho de una Z -4 -6 0 0 0
restricción, el precio sombra corresponde a una tasa de R1 2 4 1 0 120 30
cambio del valor óptimo ante una modificación marginal de R2 4 3 0 1 100 33,3
un lado derecho de una restricción. Otro aspecto relevante Tabla8 . tabla simplex
del precio sombra resulta ser su significado económico. Los
lados derechos en el caso de un modelo de maximización Tabla simplex resultado óptimo
generalmente están asociados a la disponibilidad de recursos CJ X1 X2 S1 S2 RES
escasos, por ejemplo, para la utilización en un proceso Z 0 0 1,2 1 184
productivo (materiales, horas hombre, recursos financieros, 6 X2 0 1 0,15 -0,2 28
etc). En este sentido el precio sombra puede representar una 4 X1 1 0 -0,3 0,4 4
disposición a pagar por unidad adicional de recurso. Tabla9 . tabla simplexc on resultado óptimo
Si el precio del recurso es menor al precio sombra entonces
existirá un incentivo a "comprar" más debido a que esto X1=4 X2=28 Z=184
tendrá un impacto neto positivo en la función objetivo[7].
Paso2
Intervalo de optimalidad: es el intervalo de variabilidad de Selecciono los coeficientes de las variables de las
un coeficiente de la función objetivo. restricciones de X1, X2, de mi primera tabla a1=X1, a2=X2.

A1 2 A2 4

4 3
Tabla 10.

CJ X1 X2 S1 S2 RS
120 Z 0 0 1,2 1 2
B CB 4
6 X2 0 1 0,1 -0,2 2
100 5
6
4 X1 -1 0 0,3 -0,4 1 F3*-
1
Paso3 Tabla11.
Seleccionamos los coeficientes de las variables de holgura
de la tabla final de optimización Paso8
B-1 Con la variación de las horas disponibles de inspección y
La 0,15 -0,2 fábrica ha decidido empaque se pueden fabricar:
disminuir en 5% las X1= 1 correa de cuero
horas -0,3 0,4 disponibles de X2= 2 Correas de lona
inspección y Obteniendo una utilidad de $2.
empaque.
IX. ANÁLISIS DE SENSIBILIDAD USANDO
Paso4 WINQSB
Modificar la disponibilidad en la restricción inicial dada. Cuando escribimos un modelo, damos por
R2 4X1+3X2=95 aceptado que los valores de los parámetros se conocen con
certidumbre; pero en la realidad no
B* 120 siempre se cumple que los valores sean verídicos, ya que por
ejemplo las variaciones en los costos de
95 los materiales, en la mano de obra o en el precio de un
producto, ocasionan cambios en los
coeficientes de la función objetivo. Así mismo las demoras
Paso5 en los envíos de los proveedores, las
Multiplicar la matriz B-1 * B*, que es la resultante de la huelgas, los deterioros no previstos y otros factores
variación de la disponibilidad de horas de inspección y imponderables generarán cambios en la
empaque. disponibilidad de los recursos.[8]
XB=B-1*B*
XB=B-1 Ejemplo:
0,15 -0,2 120 0,15(120) + MPL
(- -1 0,2)(95)=-1 Maximizar Z = 3X1 + 5X2
- -0,3 0,4 95 0,3(120) Sujeto a
2 +(0,4)(0,95 X1 ≤ 4 (Horas disponibles en la planta 1)
)=2 2X2 ≤ 12 (Horas disponibles en la planta 2)
3X1 + 2X2 ≤ 18 (Horas disponibles en la planta 3)
X1, X2 ≥ 0 (Restricción de no negatividad)
Z*=CB1(XB)=6,4 -1 6()-1+2(2)
-6+8=2
2

Paso6
La solución no es óptima, debido que falta 1 hora de
producción para poder cumplir con la maximización de las
ganancias, por tal motivo debemos realizar otra tabla para
que los valores de las variables sean positivos para la mayor
maximización Ilustración 3 .Solución final usando WINQSB

Paso7 La sensibilidad se puede analizar verificando los cambios


En esta tabla se multiplica la F3*-1 para que los coeficientes en:
de las variables tomen un valor positivo para maximizar los
recursos de acuerdo a una variación de los mismos. 1. Cambios en los coeficientes de la Función Objetivo (FO).
CJ X1 X2 S1 S2 RS Al revisar la tabla final del método simplex, encontramos las
columnas:
Z 0 0 1,2 1 2
- Allowable Min C(j) (mínimo permitido)
6 X2 0 1 0,1 -0,2 2
- Allowable Max. C(j) (máximo permitido)
5
Frente a cada variable de decisión encontramos en dichas
4 X1 1 0 -0,3 0,4 -1 F3*- columnas el rango en el cual pueden variar los coeficientes
1
de dichas variables. Para el ejemplo, X1 puede variar entre 0
y 7,5 sin que la optimalidad de la solución cambie. Concluimos que la solución actual no se altera, pues la
Igualmente, X2 puede variar entre 2 y M (M es un valor nueva restricción también se cumple para ella. Tal caso
numérico muy grande). Para el ejemplo, la utilidad por cada ocurre en situaciones como la que podemos observar en la
unidad de producto 1 puede variar entre 0 y 7,5 sin que el Figura 4, en donde la nueva restricción A no altera la región
valor de la solución cambie (Use WinQSB para probar con de factibilidad. Otra situación del mismo caso es la que se
algunos de esos valores). Igualmente, para el producto 2, muestra en la Figura 5 para la nueva restricción B, que sí
cualquier ingreso por encima de 2 no cambiará el valor de la altera la región de factibilidad, pero sin modificar el punto
solución óptimo.
óptima. Pero cuando los valores óptimos no satisfacen la nueva
restricción, concluimos que la solución óptima actual es
2. Cambios en el coeficiente de una variable no básica infactible. La Figura 6 nos permite entender como lo que
(V.N.B) en la Función Objetivo. Un cambio en un ocurrió fue que la nueva restricción afectó la región de
coeficiente de una V.N.B en la F.O puede cambiar la factibilidad del problema, eliminando de ella el sector que
solución óptima. incluye la solución óptima actual. Debemos entonces
encontrar la nueva solución óptima que corresponda a la
3. Precios sombra. También llamados precios duales. Son un nueva región factible
indicador de cuando conviene aumentar el lado derecho de
las restricciones. En general para las restricciones podemos
considerar:
-Si la restricción es >= entonces un precio sombra no
positivo aumenta los costos.
-Si la restricción es <= Precio sombra no negativo aumenta
las ganancias. Para el ejemplo, las restricciones 2 y 3 tienen
precios sombra positivos, lo que nos indica cuanto
incrementa la FO por cada unidad de recurso adicional.
-Si la restricción de igualdad, Precio sombra puede ser:
Positivo, negativo, o cero.

4. Variables de holgura o exceso. En la tabla del final del


método simplex, obtenida con WinQSB hay una columna
rotulada: Slack o Surplus (Defecto o Exceso), un valor frente
a cada restricción.
-Cualquier restricción con precio sombra no cero, debe ser
una restricción obligatoria (es Ilustración 4
decir, tener una holgura, o exceso igual a cero). En el
ejemplo anterior las restricciones 2 y 3 son
obligatorias.
-Cualquier restricción con una holgura o exceso diferente de
cero, tiene precio sombra igual
a cero. En el ejemplo, la restricción 1 (C1) tiene una holgura
de 2 unidades, por lo tanto
incrementar ese recurso solo aumentará los costos.
-Si tanto el precio sombra como la holgura (o exceso) son
cero, significa que en un vértice
están convergiendo más de dos restricciones.
Se tienen además dos columnas: Allowable Min. RHS
(Mínimo recurso del lado derecho) y Allowable Max. RHS
(Máximo recurso del lado derecho) que nos indican el rango
en el cual se puede variar el lado derecho de cada restricción
sin que la optimalidad se afecte. Ilustración 5

5. Adición de una nueva restricción al modelo. Muchas


veces es necesario analizar la sensibilidad de la solución
óptima, cuando se agrega al modelo una restricción que no
se considero inicialmente, ya sea por olvido o por decisión
de quien planteó el modelo.
El primer paso en el análisis de los cambios que sufre la
solución óptima actual al considerar una nueva restricción,
es determinar si esta se cumple para la solución óptima. Para
ello deben reemplazarse los valores óptimos de las variables
en la nueva restricción y determinar si se cumple la
condición expresada.
Ilustración 6

X. REFERENCIAS.

[1] L. D. Reyes Escalera,


"metodosdeprogramacionlinealdan," [Online]. Available:
https://sites.google.com/site/metodosdeprogramacionlineald
an/metodo-de-las-dos-fases. [Accessed 26 12 2017].
[2] F. "metodosimplex," 25 09 2015. [Online]. Available:
http://www.metodosimplex.com/metodo-simplex-de-dos-
fases/. [Accessed 26 12 2017].
[3] ANONIMO, "CIENCIAS - PREYMOND," 23
NOVIEMBRE 2011. [Online]. Available:
http://zeth.ciencias.uchile.cl/preymond/Otros/optimizacion2.
/clase6a.pdf. [Accessed 1 ENERO 2018].
[4] "INVESTIGACION DE OPERACIONES," 16 ENERO
2016. [Online]. Available:
http://www.investigaciondeoperaciones.net/dualidad_en_pro
gramacion_lineal.html. [Accessed 1 ENERO 2018].
[5]Es.slideshare.net«Teoría de la dualidad y Análisis de la
Sensibilidad»[En línea]. Disponible:
https://es.slideshare.net/jorgeandresaceroalmonacid/teora-
de-la-dualidad-y-anlisis-de-la-sensibilidad
[6] Investigaciondeoperaciones.net «Análisis de sensibilidad
o postoptimal en programación Lineal - Informes de
Sensibilidad de Solver de Excel»[En línea]. Disponible:
http://www.investigaciondeoperaciones.net/analisis_de_sens
ibilidad.html
[7]J.Rito Vargas, «Universidad Nacional autónoma de
nicaragua»2010. [En línea]. Disponible:
http://repositorio.utp.edu.co/dspace/bitstream/handle/11059/
2008/51982G643.pdf;sequence=1.
[8] E. Romero «Análisis de sensibilidad» [En línea].
Disponible:
http://www.geocities.ws/datos_universidad/Inv_Oper_I/Anal
isisSensibilidad.pdf

Оценить