ECONOMICA 4.

.3 INTERPRETACION DE LA DUALIDAD El problema de programaci on lineal se puede considerar como modelo de asignaci on de recursos, en el que el objetivo es maximizar los ingresos o las utilidades, sujetos a recursos limitados. Si se aprecia el problema desde este punto de vista, el problema dual asociado ofrece interpretaciones econ omicas interesantes del modelo de programaci on lineal de asignaci on de recursos. Para formalizar la descripci on se considerar a la siguiente representaci on de los problemas generales primal y dual, en donde el primal asume el papel de un modelo de asignaci on de recursos: Primal Maximizar z = sujeta a
n j =1 n j =1 cj xj

Dual Minimizar w = sujeta a

m i=1 m i=1 bi yi

aij xj bi , 1 = 1, 2, . . . , m

aij yi cj , 1 = 1, 2, . . . , n

xj 0, j = 1, 2, . . . , n

yi 0, i = 1, 2, . . . , m

Desde el punto de vista de modelo de asignaci on de recursos, el problema primal tiene n actividades econ omicas y m recursos. El coeciente cj del primal representa la utilidad por unidad de actividad j . El recurso i, cuya disponibilidad m axima es bi , se consume con la tasa de aij unidades por unidad de actividad j . 4.3.1 Interpretaci on econ omica de variables duales En la secci on 4.2.5 se indic o que para dos soluciones factibles primal y dual cualquiera, los valores de las funciones objetivo, cuando son nitos, deben satisfacer la siguiente desigualdad:
n m

z=
j =1

cj xj
i=1

bi yi = w

La igualdad estricta, z = w, es v alida cuando las soluciones primal y dual son optimas ambas. Examinemos primero la condici on optima z = w. Como el problema primal rep1

resenta un modelo de asignaci on de recursos, se puede imaginar que z representa la utilidad monetaria. Como bi representa la cantidad disponible de unidades del recurso i, la ecuaci on z = w se puede expresar en forma dimensional como sigue: $=
i (unidades

del recurso i) ($ por unidad del recurso i)

Eso quiere decir que las variables duales yi representan el valor por unidad del recurso i. (En la secci on 2.3.3 se obtuvo esta misma interpretaci on, por v a gr aca, sin usar la dualidad.) En las publicaciones, las variables yi se conocen con el nombre abstracto de precios duales. Otros nombres (que de igual manera no sugieren nada) son precios sombra y multiplicadores s mplex. Con la misma l ogica, la desigualdad z < w asociada con dos soluciones asociadas, primal y dual, se interpreta como sigue: (Utilidad) < (Valor de los recursos) Seg un esta relaci on, siempre que los ingresos totales por todas las actividades sean menores que el valor de los recursos, las soluciones primal y dual correspondientes no son optimas. La optimalidad (retorno m aximo) s olo se alcanza cuando se han explotado los recursos por completo, lo que s olo puede suceder cuando los datos (valor de los recursos) son iguales a los resultados ($ de utilidad). En t erminos econ omicos se dice que el sistema permanece inestable (no optimo) cuando los datos (valor de los recursos) son mayores que el resultado (retorno o ingreso). La estabilidad s olo se obtiene cuando las dos cantidades son iguales. Ejemplo 4.3-1 El modelo de Reddy Mikks (ejemplo 2.1-1) y su dual son los siguientes: Primal de Ready Mikks Maximizar z = 5x1 + 4x2 sujeta a 6x1 + 4x2 24 (recurso 1, M 1) x1 + 2x2 6 (recurso 2, M 2) x1 + x2 1 (recurso 3) x2 2 (recurso 4) xk 0, k Soluci on optima: x1 = 3, x2 = 1.5, z = 21 Dual de Ready Mikks Minimizar w = 24x1 + 6y2 + y3 + 2y4 sujeta a 6y1 + y2 y3 5 4y1 + 2y2 + y3 + y4 4 yk 0, k

Soluci on optima: y1 = 0.75, y2 = 0.5, y3 = y4 = 0, w = 21 2

En resumen, el modelo de Reddy Mikks maneja la producci on de dos clases de pintura (para exteriores y para interiores) usando dos materias primas, M 1 y M 2 (recursos 1 y 2) y sujeta a las condiciones del mercado representadas por las restricciones tercera y cuarta. El modelo busca determinar las toneladas de pinturas para exteriores y para interiores que maximicen la utilidad (expresada en miles de d olares). La soluci on dual optima indica que el valor por unidad de la materia prima M1 (recurso 1) es y1 = 0.75 (o sea, $750 por tonelada), y por unidad de materia prima M 2 (recurso 2) es y2 = 0.5 (es decir, $500 por tonelada). En la secci on 2.3.3 mostramos en forma gr aca que esos mismos resultados son v alidos para los intervalos (20, 36) y (4, 6.67), para los recursos 1 y 2, respectivamente (esos intervalos tambi en se deducir an en forma algebraica en la secci on 4.5.1). As , la materia prima M 1 se puede aumentar desde su consumo actual de 24 toneladas, hasta un m aximo de 36 toneladas, con un aumento correspondiente en la utilidad de 12 $750 = $9000. De igual forma, el l mite para la materia prima M 2 puede aumentarse desde 6 toneladas hasta un m aximo de 6.67 toneladas, con un aumento correspondiente en la utilidad de 0.67 $500 = $335. Se pueden mostrar interpretaciones parecidas si bajan las cantidades de materia prima respecto a los niveles actuales, pero dentro de los intervalos de aplicabilidad indicados. La explicaci on no quiere decir que los recursos mencionados no se puedan cambiar a valores fuera de los intervalos citados. S olo indica que la utilidad por unidad, para cada recurso, s olo se aplica dentro de los m argenes especicados. Para los recursos 3 y 4, que representan los requerimientos del mercado, los precios duales (ambos valores duales optimos) son cero, lo que indica que sus recursos asociados son abundantes. De aqu que su valor por unidad es cero. 4.3.2 Interpretaci on econ omica de restricciones duales Se pueden interpretar las restricciones duales, usando la f ormula 2 de la secci on 4.2.4, que indica que en cualquier iteraci on primal (Coeciente objetivo de xj ) =
m i=1

aij yi cj

De nuevo se aplicar a el an alisis dimensional para interpretar esta ecuaci on. La utilidad cj por unidad de actividad j est a en $ por unidad. En consecuencia, para tener conm sistencia, la cantidad i=1 aij yi tambi en debe estar en $ por unidad. Adem as, como cj representa una utilidad, la cantidad m a y , que aparece en la ecuaci o n con signo i=1 ij i contrario, debe representar un costo. Al mismo tiempo, como aij es la cantidad del 3

recurso i que usa la actividad j , las variables duales yi deben representar al costo imputado por unidad de recurso i y se puede considerar que la cantidad m i=1 aij yi es el costo imputado de todos los recursos necesarios para producir una unidad de actividad j . La condici on de optimalidad de maximizaci on del m etodo s mplex indica que un aumento en la cantidad de una actividad, j no usada (no b asica) puede mejorar la utilidad m s olo en caso de que su coeciente objetivo ( i=1 aij yi cj ) sea negativo. En funci on de la interpretaci on anterior, esta condici on establece que Costo imputado de recursos por unidad < Utilidad por unidad de actividad j de actividad j As , la condici on de optimalidad de maximizaci on indica que es econ omicamente bueno aumentar una actividad a un valor positivo si su utilidad unitaria es mayor que su costo imputado unitario. Para que el lector se familiarice con la notaci on normal que se usa en las publicaciones presentaremos la denici on que representa el costo imputado de los recursos usados, por unidad de actividad j . La notaci on (zj cj ) es el coeciente objetivo de xj en la tabla s mplex y se llama con frecuencia costo reducido de la actividad j . En realidad, en algunos libros se usa (zj cj ) para calcular en forma directa el coeciente de la ecuaci on objetivo (en lugar de usar operaciones de la de Gauss-Jordan). El uso de (zj cj ) en los c alculos s mplex es, en realidad, una parte del m etodo s mplex revisado que describiremos m as adelante. Ejemplo 4.3-2 TOYCO arma tres juguetes: trenes, camiones y coches, con tres operaciones. Los l mites diarios de tiempo disponible para las tres operaciones son 430,460 y 420 minutos, respectivamente, y las utilidades por tren, cami on y coche de juguete son $3, $2 y $5, respectivamente. Los tiempos de armado por tren, en las tres operaciones son 1, 3 y 1 minutos, respectivamente. Los tiempos respectivos por cami on y por coche son (2, 0, 4) y (1, 2, 0) minutos (un tiempo de cero indica que no se usa la operaci on). Si x1 , x2 y x3 representan la cantidad diaria de unidades armadas de trenes, camiones y coches, y si el modelo de programaci on lineal correspondiente, y su dual son los siguientes: 4

Primal de TOYCO Maximizar z = 3x1 + 2x2 + 5x3 sujeta a x1 + 2x2 + x3 430 (operaci on 1) 3x1 + 2x3 460 (operaci on 2) x1 + 4x2 420 (operaci on 3) xk 0, k Soluci on optima: x1 = 0, x2 = 100, x3 = 230, z = $1350

Dual de TOYCO Minimizar z = 430y1 + 460y2 + 420y3 sujeta a y1 + 3y2 + y3 3 2y1 + 4y3 2 y1 + 2y2 5 yk 0, k Soluci on optima: y1 = 1, y2 = 2, y3 = 0, w = $1350

La soluci on primal optima indica producir camiones de juguete x2 = 100 y coches de juguete x3 = 230, pero no armar trenes x1 = 0, porque no son rentables. Suponga que la competencia obliga a TOYCO a producir tambi en trenes de juguete. C omo se puede hacer la producci on? Si se considera el problema desde el punto de vista de la interpretaci on de z1 c1 para x1 , los trenes de juguete tienen atractivo econ omico s olo si z1 < c1 As , TOYCO puede aumentar la utilidad por unidad de c1 aumentando el precio unitario de venta, o disminuyendo el costo imputado z1 de los recursos usados z1 (= y1 + 3y2 + y3 ). Podr a no ser posible aumentar la utilidad por unidad, porque TOYCO desea permanecer competitivo en el mercado. Es m as plausible una disminuci on en z1 , porque implica hacer mejoras en las operaciones de ensamble, que principalmente reduzcan su uso unitario de tiempos disponibles para las operaciones. Si r1 , r2 y r3 representan las proporciones con las que se reducen los tiempos unitarios de las tres operaciones, el problema requiere determinar r1 , r2 y r3 de tal modo que el nuevo costo imputado z1 de las tres operaciones sea menor que la utilidad unitaria c1 ; esto es, 1(1 r1 )y1 + 3(1 r2 )y2 + 1(1 r3 )y3 < 3 Para los valores dados de y1 = 1, y2 = 2 y y3 = 0, esta desigualdad se reduce a (compru ebelo!) r1 + 6r2 > 4 As , todos los valores de r1 y r2 entre 0 y 1 que satisfagan r1 + 6r2 > 4 deben hacer que los trenes de juguete sean rentables. Sin embargo podr a ser que no se pueda alcanzar este objetivo, porque requiere reducciones en los tiempos de las operaciones 1 y 2, 5

que no parecen pr acticas. Por ejemplo, aun reducciones hasta de 50% en esos tiempos (esto es, r1 = r2 = 0.5) no satisfacen la condici on dada. LINEAL 4.4 OTROS ALGORITMOS S IMPLEX PARA PROGRAMACION En el algoritmo s mplex que presentamos primero, el problema se inicia en una soluci on b asica factible. Las iteraciones sucesivas siguen siendo b asicas y factibles, pero avanzan hacia la optimalidad, hasta llegar al optimo en la u ltima iteraci on. A veces se llama m etodo s mplex primal a este algoritmo. Ahora introduciremos dos algoritmos m as: el s mplex dual y el s mplex generalizado. En el s mplex dual, la programaci on lineal se inicia en una soluci on b asica que es (mejor que la) optima, pero no es factible, y las iteraciones sucesivas siguen siendo b asica y (mejores que la) optima, a medida que se acercan a la factibilidad. En la u ltima iteraci on se encuentra la soluci on factible ( optima). En el m etodo s mplex generalizado se combinan los m etodos s mplex primal y dual en un solo algoritmo. Maneja problemas que comienzan siendo no optimos y no factibles a la vez. En este algoritmo se asocian las iteraciones sucesivas con soluciones b asicas (factibles o no factibles). En la iteraci on nal la soluci on es optima y factible al mismo tiempo (suponiendo, claro est a, que exista una). Se pueden aplicar los tres algoritmos, el primal, el dual y el generalizado con ecacia en los c alculos del an alisis de sensibilidad, lo que se indicar a en la secci on 4.5. 4.4.1 M etodo dual s mplex Como en el m etodo s mplex (primal), la base el m etodo s mplex dual es que cada iteraci on siempre est e asociada a una soluci on b asica. Las condiciones de optimalidad y factibilidad se establecen para preservar la optimalidad de las soluciones b asicas y al mismo tiempo mover las iteraciones de la soluci on hacia la factibilidad. Condici on dual de factibilidad. La variable de salida xr es la variable b asica que tiene el valor m as negativo (los empates se rompen en forma arbitraria). Si todas las variables b asicas son no negativas, termina el algoritmo. Condici on dual de optimalidad. La variable de entrada se determina entre las variables no b asicas, como la que corresponde a

m n
no b asica xj

zj cj , rj < 0 rj

donde zj cj es el coeciente objetivo de la la z en la tabla, y rj es el coeciente negativo de restricci on de la tabla, asociado con la la de la variable de salida xr , y con la columna de la variable xj no b asica. Los empates se rompen arbitrariamente. Observe que la condici on de optimalidad dual garantiza que se mantendr a la optimalidad en todas las iteraciones. Para el inicio de una programaci on lineal que sea optima y no factible a la vez, se deben satisfacer dos requisitos:

1. La funci on objetivo debe satisfacer la condici on de optimalidad del m etodo s mplex regular. 2. Todas las restricciones deben ser del tipo (). Por la segunda condici on se requiere convertir toda () a (), s olo multiplicando ambos lados de la desigualdad () por 1. Si en la programaci on lineal hay restricciones (=) se puede reemplazar la ecuaci on con dos desigualdades. Por ejemplo, x1 + x2 = 2, equivale a x1 + x2 1, x1 + x2 1, o bien x1 + x2 1, x1 x2 1, Despu es de convertir todas las restricciones en (), la programaci on lineal tendr a una soluci on de inicio no factible si, y s olo si al menos uno de los lados derechos de las desigualdades es estrictamente negativo. En caso contrario, si z es optima y ninguno de los lados derechos es negativo no habr a necesidad de aplicar el m etodo s mplex dual, porque la soluci on de inicio ya es optima y factible.

Ejemplo 4.4-1 Minimizar z 3x1 + x2 4x1 + 3x2 x1 + x2 xk = 3x1 + 2x2 3 (1) 6 (2) 3 (3) 0, k

En este ejemplo se multiplican por 1 las dos primeras desigualdades para convertirlas a restricciones (). As , la tabla de inicio es: B asica x1 x2 x3 x4 x5 Soluci on z 3 2 0 0 0 0 x3 3 1 1 0 0 3 x4 4 3 0 1 0 6 x5 1 1 0 0 1 3 La tabla comienza optima (todas las zj cj 0 en la la z) y la soluci on b asica de inicio es no factible (x3 = 3, x4 = 6, x5 = 3). Seg un la condici on dual de factibilidad, x4 (= 6) es la variable de salida. La tabla siguiente muestra c omo se usa la condici on dual de optimalidad para determinar la variable de entrada. Variable Fila de z (zj cj ) Fila de x4 , 4j Raz on,
zj cj 4j

x1

x2

x3 0 0

x4 0 1

x5 0 0

3 2 4 3
3 4 2 3

, 4 j < 0

Las razones indican que x2 es la variable de entrada. Observe que una variable xj es candidata para entrar a la soluci on b asica s olo que su ij sea estrictamente negativa. Eso quiere decir que no se deben tener en cuenta las variables x3 , x4 y x5 . La siguiente tabla se obtiene con las conocidas operaciones de la. 8

B asica z x3 x2 x5 Raz on

x1 x2 x3 x4 x5 Soluci on 1/3 0 0 2/3 0 4 5/3 4/3 1/3 1/5 0 1 0 1 1/3 0 1/3 0 1/3 2 0 0 1 1 2 1

Esta tabla muestra que sale x3 y entra x1 , y as se obtiene la siguiente tabla: B asica x1 x2 x3 x4 x5 Soluci on z 0 0 1/5 3/5 0 21/5 x1 x2 x5 1 0 0 0 3/5 1/5 1 4/5 3/5 0 1/5 2/5 0 0 1 3/5 6/5 6/5

Esta u ltima tabla es factible (y optima) por lo que se termina el algoritmo. La soluci on correspondiente es x1 = 3/5, x2 = 6/5 y z = 21/5. Para reforzar la comprensi on del m etodo s mplex dual por parte del lector, la gura 4.2 muestra en forma gr aca la trayectoria seguida por el algoritmo para resolver el ejemplo 4.4-1. Se inicia en el punto extremo A (que es no factible y mejor que el optimo), pasa a B (que todav a es no factible y mejor que el optimo) y por u ltimo se vuelve factible en C. En este punto termina el proceso, con C como soluci on optima factible.

10