DIRECCIÓN ACADÉMICA

Formato de entrega de evidencias

FO-205P11000-14

División: (1) Ingeniería Industrial Grupo: (2) 141-V

Asignatura: (3) Investigación de operaciones I Docente: (4) Juan Manuel Fernández Morales
Guzmán Isidro Brayan 33%
Nombre y número de control: (5) Gonzales Mendoza Crisitopher 33%
Juárez Clavel Hugo Cesar 33%
Fecha de entrega: (6) 22/05/18
Competencia No.: (7) 4 Descripción: (8)  Método Dual. Conoce y aplica el concepto del método
dual-simplex en casos reales.
 Conoce y aplica las diferentes formas de relación
primal-dual. Interpreta el análisis de sensibilidad en la
toma de decisiones.
Indicador de alcance: (9) A. Investigación impresa por equipos de trabajo de los Métodos Dual y Sensibilidad
con ejemplos de aplicación.
Evidencia de aprendizaje: (10) Reporte de investigación impreso.

REFERENCIAS:

http://www.gestiondeoperaciones.net/programacion_lineal/como-resolver-un-
modelo-de-programacion-lineal-con-el-metodo-simplex-dual/
https://prezi.com/olzjqprsytrk/metodo-dual-simplex/
http://gc.initelabs.com/recursos/files/r157r/w13109w/MateNegocios_unidad
%204.pdf
http://www.investigaciondeoperaciones.net/metodo_simplex_dual.html
http://gfebres.net/Downloads/eCourses/Docs/2012.Taha.InvestigacionDeOperacio
nes9naEdicion.pdf
http://investigaciondeoperacionesind331.blogspot.mx/p/analisis-de-
sensibilidad.html
http://www.programacionlineal.net/sensibilidad.html
https://www.inf.utfsm.cl/~esaez/fio/s2_2003/apuntes/sensibilidad-2003-2.pdf
 MÉTODO DUAL
El Método Simplex Dual nos ofrece una alternativa algorítmica para abordar la
resolución de modelos de Programación Lineal. En particular este método se
puede utilizar cuando luego de llevar a la forma estándar un modelo de
Programación Lineal no se dispone de una solución básica factible inicial con la
cual se pueda dar inicio a las iteraciones del algoritmo. En este contexto a
continuación se presenta un ejemplo con los detalles de la aplicación de este
procedimiento.

Un problema se puede resolver por el método dual-simplex, cuando, después de

igualar a cero la función objetivo y convertir las restricciones en ecuaciones,
agregando las variables de holgura necesarias, al menos uno, cualquiera de los
elementos del vector b (vector de disponibilidades) es negativo y la condición de
optimalidad se satisface. Un comparativo entre el método simplex y el método
dual-simplex. 

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.

Características:

1. Es un proceso iterativo que puede generar varias aproximaciones a la

solución a través de distintas tablas de solución.
2. Se puede identificar cuando se ha llegado a la solución óptima.
3. Está basada en el método de Gauss-Jordan.
4. Es muy sensible al redondeo por lo que se recomienda manejar fracciones
comunes.

Ventajas y desventajas:
 A) Permite eliminar una base inicial infactible en el caso de restricciones del
tipo = o ≥ sin necesidad de introducir variables artificiales.
B) Presenta ventajas en algunos casos de análisis de sensibilidad, como la
adición de nuevas restricciones o nuevas variables.
C) Utiliza menos iteraciones.
D) La desventaja es que para empezar a iterar en este método se requiere de
la condición de factibilidad dual.

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.

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, o el de menor valor absoluto si es de maximizar. Si todos los
denominadores son  0, el problema no tendrá solución factible.  
(Los empates se rompen arbitrariamente). Si arj $ con todas las xj no básicas, el
problema no tiene una solución factible.
Para iniciar la programación lineal óptima y no factible, se debe cumplir con dos
requisitos:
1. La función objetivo debe satisfacer la condición de optimalidad del método
simplex regular.
2. Todas las restricciones deben ser del tipo ≤.
Las desigualdades del tipo ≥ se convierten en ≤ al multiplicar ambos lados de la
desigualdad por -1. Si la PL incluye restricciones =, la ecuación se puede
reemplazar por dos desigualdades. Por ejemplo, x 1 + x2 =1, equivale a x1 + x2 ≤ 1,
x1 + x2 ≥ 1, o x1 + x2 ≤.1, –x1+ x2 ≤ -1. La solución inicial es no factible si al menos
uno de los lados derechos de las desigualdades es negativo.

Dualidad:

Todo problema de programación lineal tiene asociado con él otro problema de

programación lineal llamado DUAL. El problema inicial es llamado PRIMAL y el
problema asociado (sombra) es llamado el problema PRIMAL. Los dos juntos
son llamados problemas duales ya que ambos están formados por el mismo
conjunto de datos. La solución básica factible óptima de estos problemas es tal
que una puede fácilmente ser usada para la solución de la otra. La dimensión del
problema de programación lineal influencia la elección del cálculo del primo o del
dual.
Los problemas primales y duales se encuentran ligados por una serie de
relaciones, saber la existencia de estas puede ser considerado de gran utilidad
para la resolución de problemas que parecen no factibles, o que no pueden ser
resueltos mediante un método en particular.
 
Relaciones entre problemas primales y duales:
 El número de variables que presenta el problema dual se ve determinado
por el número de restricciones que presenta el problema primal.
 El número de restricciones que presenta el problema dual se ve
determinado por el número de variables que presenta el problema primal.
 Los coeficientes de la función objetivo en el problema dual corresponden a
los términos independientes de las restricciones (RHS), que se ubican del
otro lado de las variables.
 Los términos independientes de las restricciones (RHS) en el problema dual
corresponden a los coeficientes de la función objetivo en el problema
primal.
 La matriz que determina los coeficientes técnicos de cada variable en cada
restricción corresponde a la transpuesta de la matriz de coeficientes
técnicos del problema primal.
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:

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

Solución dual óptima

Las soluciones primalas y duales están estrechamente relacionadas en el sentido

de que la solución óptima de uno u otro problema da la solución óptima al otro. Así
pues, en un modelo de PL en el que la cantidad de variables es
considerablemente menor que la de restricciones, pueden ahorrarse cálculos
resolviendo el dual porque la cantidad de cálculos simplex depende en gran
medida (aunque no totalmente) de la cantidad de restricciones.

Los elementos del vector fila deben aparecer en el mismo orden en que las
variables básicas aparecen en la columna Básica de la tabla simplex.

Interpretación económica de la dualidad:

El problema de PL puede considerarse como un modelo de asignación de

recursos que busca maximizar los ingresos con recursos limitados. Considerando
el problema desde este punto de vista, el problema dual asociado ofrece
interesantes interpretaciones económicas del modelo de asignación de recursos.
Para formalizar el planteamiento, considere la siguiente representación de los
problemas primal y dual:

Considerado como un modelo de asignación de recursos, el problema primal

consta de n actividades económicas y m recursos. El coeficiente cj en el primal
representa el ingreso por unidad de la actividad j. El recurso i con disponibilidad bi
se consume a razón de aij unidades por unidad de actividad j.

Interpretación económica de las variables duales:

Para cualquiera de las dos soluciones factibles primal y dual, los valores de las
funciones objetivo, cuando son finitos, deben satisfacer la siguiente desigualdad:

En el óptimo, los dos valores objetivo son iguales, es decir, z 5 w. En función del
modelo de asignación de recursos, z representa $ ingresos, y bi representa
unidades disponibles del recurso i. Por lo tanto, dimensionalmente, z 5 w implica

Esto quiere decir que la variable dual, yi, representa el valor por unidad del recurso
i. Como se expone en la sección 3.6, el nombre estándar precio dual (o precio
sombra) del recurso i reemplaza el nombre (sugestivo) valor por unidad en toda la
literatura de programación lineal y en los paquetes de software, de ahí que
también se adoptó el nombre estándar en este libro. Utilizando el mismo análisis
dimensional, podemos interpretar la desigualdad z, w (para cualquiera de las dos
soluciones primal y dual) como

Esta relación expresa que en tanto el ingreso total de todas las actividades sea
menor que el valor de los recursos, las soluciones primalas y duales
correspondientes no serán óptimas. La optimalidad se alcanza sólo cuando los
recursos se han explotado por completo. Esto puede suceder sólo cuando la
entrada (valor de los recursos) se iguala a la salida (ingreso en dólares).

Interpretación económica de las restricciones

Una vez más utilizamos el análisis dimensional para interpretar esta ecuación. El
ingreso por unidad, cj, de la actividad j está en dólares por unidad. De ahí que, por
consistencia, la cantidad también debe estar en dólares por unidad. A
continuación, como cj representa ingreso, la cantidad con signo opuesto, debe
representar costo. Por lo tanto tenemos
La conclusión es que la variable dual y1 representa lo que se conoce en la
literatura de PL como costo imputado por unidad de recurso i, y podemos
considerar que la cantidad como el costo imputado de todos los recursos
necesarios para producir una unidad de la actividad j. Como se indica en la
sección 3.6, la cantidad (5 costo imputado de la actividad j – cj a ) se conoce como
costo reducido de la actividad j. La condición de optimalidad de maximización del
método simplex plantea que un incremento en el nivel de una actividad j no
utilizada (no básica) puede mejorar el ingreso sólo si su costo reducido es
negativo. En función de la interpretación precedente, esta condición establece que

De este modo, la condición de optimalidad de maximización dice que es

económicamente ventajoso incrementar el nivel de una actividad si su ingreso
unitario excede su costo unitario imputado.

Aplicación:

a) Sistemas y telecomunicaciones: con el método dual simplex podemos

resolver problemas relacionados con el control de las organizaciones o
sistemas (hombre – máquina). A fin de que se produzcan soluciones que
mejor sirvan a los objetivos de la organización.
b) Negocios: Cuando ya se conoce el método dual-símplex como un algoritmo
útil para resolver modelos de programación lineal, los cuales de manera
original tienen como objetivo minimizar, es momento de comenzar a pensar
en el entorno donde es posible encontrar problemas con modelos como el
descrito previamente. Uno de ellos es el entorno de los negocios, ya que de
manera natural, cuando se trate de costos de producción, de ventas o de
administración, precisamente nos encontramos en la necesidad de llevar a
cabo todos los procesos y actividades de la empresa al menor costo
posible, cumpliendo con ciertos niveles mínimos, por ejemplo, de
productividad.  

Ejemplos:

1) Para el eficiente desempeño de las actividades de una empresa
comercializadora  de bienes raíces de bienes raíces, se han 
cuantificado para los departamentos los costos de ventas  y
administración en $10,500.00 y $12,000.00 respectivamente. Mientras que
para una casa los mismos costos ascienden a $18,000.00 y $10,000.00,
respectivamente. La utilidad que reporta cada departamento es de
$150,000.00 y de $300,000.00 para cada casa. La empresa desea reducir
 al nivel mínimo posible el importe de sus costos totales manteniendo una
utilidad de al menos $18, 000,000.00, así como la necesidad de que la
cantidad de departamentos vendidos a lo menos sea el doble de casas
vendidas. ¿Cuál es la combinación óptima de departamentos y casas que
se deben comercializar? y, ¿cuál es el importe de los costos totales con el
nivel de ventas calculado?

 Para  resolver  este  problema,  primero  identificamos  que  el 

objetivo  del  planteamiento es minimizar el importe de los costos totales
de la empresa.
 Y que las restricciones están relacionadas con el nivel mínimo de utilidades
y la cantidad de departamentos y casas vendidas.

Con lo anterior podemos definir las variables de decisión:
X1 = La cantidad de departamentos vendidos.
X2 = La cantidad de casas vendidas.
A partir de esta definición el modelo de programación lineal primal es:
Zmin= (10,500 + 12,000) x1 (18,000 +10,000) x2
Sujeto a:
150,000x1 + 300,000x2 ≥ 18, 000,000 1. Restricción de la utilidad mínima.
X 1− 2x2 ≥ 0 2. Restricción de la cantidad de
ventas.
X 1 , x2 ≥ 0 3. Condición de no negatividad.
Nota que los costos totales son la suma de los costos de ventas y de
administración para cada inmueble, además, como se trata de minimizar costos,
los datos de la utilidad se emplean como una restricción. La tabla dual está dada
por:

Entonces, el modelo dual de maximización es:

Zmax = 18, 000,000 y1
Sujeto a: 150,000 y1 + y2 ≤22,500
300,000 y1 - 2 y2 ≤28,000
Y 1 , y2 ≥ 0
Ahora se utiliza el método simplex 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 simplex ha concluido. Cabe recordar que estamos resolviendo un
problema dual, por lo que la solución del modelo primal se obtiene del valor de 
los coeficientes  asociados a las variables de holgura que dan el renglón de la
función objetivo. Es decir:

Por lo que al transferir la solución de la tabla simplex a las variables originales del
problema primal se tiene:

Lo cual signica que la solución del problema primal está dada por:

X1 = 60 departamentos vendidos.
X2 = 30 de casas vendidas.
Con un costo total mínimo de Zmin = $2, 190,000.00

2) Consideremos el siguiente problema para ilustrar sobre la aplicación del

Método Simplex Dual:
Para llevar el problema anterior a la forma estándar se requiere agregar
2 variables de exceso no negativas para la restricción 1 y 2, que llamaremos
respectivamente X4 y X5. De esta forma el problema en su formato estándar
queda definido por:

Luego construimos la tabla inicial del Método Simplex:

¿Cómo continuar con las iteraciones del Método Simplex?

Antes de ello es necesario disponer de una solución básica factible inicial. En este
contexto si quisiéramos usar X4 y X5 como variables básicas (y en
consecuencia X1, X2 y X3 como variables no básicas) se requiere que X4 y X5 sean
mayores o iguales a cero, sin embargo, sus coeficientes en las respectivas filas
son negativos y por tanto no se dispone de la identidad (matriz con “1” como
diagonal y el resto de coeficientes igual a cero). En consecuencia para formar la
identidad podemos multiplicar por “-1” la fila 1 y 2, obteniendo lo siguiente:
En la tabla anterior se tiene una solución básica (infactible en las variables
primales), pero al tener costos reducidos no negativos esto define una solución
básica factible en el dual.
Ahora X4 y X5 son variables básicas y adoptan los valores de -1 y -3/2,
respectivamente, lo que claramente no satisface las condiciones de no negatividad
para las variables de decisión, es decir, no corresponde a una solución básica
factible. Sin embargo, en esta instancia podemos aplicar el Método Simplex
Dual como alternativa de resolución. Para ello seleccionaremos una variable que
deje la base y adoptaremos como criterio de selección aquella variable básica
asociada al lado derecho “más negativo” (con esto se busca favorecer la rapidez
de convergencia).

En el ejemplo dicha variable es X5. Luego para determinar que variable entra a la
base realizamos un mínimo cociente entre el negativo del costo reducido de las
variables no básicas y las entradas estrictamente menores a cero para las
variables no básicas en la fila 2 (fila asociada al lado derecho más negativo).
Es decir: Min{-160/-2; -120/-2; -280/-2}=60 ==> el coeficiente mínimo se alcanza
en la segunda columna asociada a la variable no básica X2, por tanto dicha
variable entra a la base.

En cada iteración del Método Simplex Dual se escoge un lado derecho con valor
negativo, identificando la respectiva variable básica primal, quien deja la base.
Finalmente se realiza una iteración realizando las operaciones filas que sean
necesarias, de modo de ingresar X2 a la base al mismo tiempo que X5 deja la
base. Los resultados serían:

Notar que ahora las variables básicas son X4 y x2 donde sólo X4 =-1/4 lo que no
satisface la condición de ser una solución básica factible. Por lo tanto realizamos
una nueva iteración, en este caso sacando de la base a la variable X4 y
calculamos el mínimo cociente: Min {-40/-1; -160/-3; -60/-1/2}=40 ==> el
coeficiente mínimo está en la primera columna por tanto la variable X1 entra a la
base.
En consecuencia se actualiza la tabla quedando lo siguiente:
Las variables básicas ahora son X1=1/4 y X2=1/2 (que cumplen las condiciones de
no negatividad). Adicionalmente el costo reducido de las variables no básicas
también es mayor o igual a cero, por tanto estamos frente a la solución óptima del
problema.
Se puede reconocer adicionalmente que el valor óptimo es V(P)=100 que se
obtendría al evaluar la solución óptima del problema en la función objetivo, sin
embargo, en el procedimiento dicho valor se obtiene con signo cambiado.
El ejemplo anterior nos permitió apreciar cómo a través del Método Simplex
Dual se puede abordar la resolución de un modelo de Programación Lineal que
luego de ser llevado a la forma estándar no provee una solución básica factible
inicial.
 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 pueden 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. Reoptimización: si esta solución no pasa una de las pruebas indicadas en
los puntos 4 y 5 anteriores, se procede a buscar la nueva solución optima 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. Utilizando la herramienta Solver Excel se puede obtener
 un reporte del análisis de sensibilidad. A continuación se presenta el
modelo planteado con la solución óptima encontrada.

El primer reporte que se genera corresponde al reporte de repuesta, en el cual se

plantea la solución óptima encontrada.

El reporte de sensibilidad que se genera presenta el siguiente formato, el mismo

se puede visualizar a continuación.

El tercer reporte que Solver Excel permite generar es el correspondiente a los

limites, en el formato presentado.
 Análisis de Sensibilidad (Método Gráfico)
El Análisis de Sensibilidad en Programación Lineal permite analizar el impacto en
los resultados del modelo (solución óptima y valor óptimo) en aquellos casos
donde uno o varios parámetros sufren modificaciones en relación a sus valores
originales, sin la necesidad de resolver nuevamente el problema (sin
reoptimizar). En dicho contexto en el siguiente artículo presentamos un ejemplo de
dicho análisis para un problema de optimización lineal que considera 2 variables
de decisión.

Ejemplo Análisis de Sensibilidad (Método Gráfico)

Un productor tabaquero posee 85 hectáreas (ha) de terreno para plantar dos
variedades de tabacos Virginia y Procesado. La variedad Virginia tiene un ingreso
de 9.600 USD/ha y necesita 3 horas/ha de uso de maquinaria y 80 horas/ha de
mano de obra. Además, el Estado limita su explotación a 30 ha como máximo. La
variedad Procesado tiene un ingreso de 7.500 USD/ha y utiliza 2 horas/ha de uso
de maquinaria y 60 horas/ha de mano de obra. La cooperativa local le ha asignado
un máximo de 190 horas de uso de maquinaria y solo se dispone de 5.420 horas
de mano de obra a 12 USD/hora.
Formule y resuelva gráficamente un modelo de Programación Lineal que permita
determinar cuánto se debe plantar de cada variedad de tabaco de manera de
maximizar la utilidad total.
En primer lugar definimos el modelo de optimización para este problema. Esto
consiste en identificar las variables de decisión, función objetivo y restricciones.
Detalle de este procedimiento aplicado a problemas de 2 variables puede ser
consultado en el artículo Programación Lineal (Método Gráfico).

Variables de Decisión:
 X1 = Número de Ha a plantar de la variedad Virginia

 X2 = Número de Ha a plantar de la variedad Procesado

Función Objetivo:
Maximizar (9.600 – 960) X1 + (7.500 – 720)X2 = 8.640X1 + 6.780X2

Restricciones:
1. X1 ≤ 30
 2. X1 + X2 ≤ 85

3. 3X1 + 2X2 ≤ 190

4. 80X1 + 60X2 ≤ 5.420

5. X1, X2 ≥ 0

Una representación gráfica del problema para el productor de tabaco se puede

realizar a través del software Geogebra:

Sabemos según el Teorema Fundamental de la Programación Lineal que en caso

de existir solución óptima ésta se encontrará en un vértice o en un tramo en la
frontera del dominio de soluciones factibles (en el ejemplo área achurada en color
verde). Adicionalmente podemos apreciar que no es tan evidente que el vértice C
reporte una mayor utilidad en la función objetivo que el vértice D, por lo cual,
inspeccionaremos ambos puntos.
En el caso del vértice C éste se encuentra en la intersección de las restricciones 2
y 4. La coordenada respectiva se obtiene al resolver el siguiente sistema de
ecuaciones:
X1 + X2 = 85
80X1 + 60X2 = 5.420
De donde X1=16 y X2=69, lo cual reporta un valor en la función objetivo
de V(P)=8.640*(16)+6.780(69)=606.060.
Análogamente en el caso del vértice D las restricciones activas son 3 y 4:
3X1 + 2X2 = 190
80X1 + 60X2 = 5.420
Luego de resolver el sistema lineal anterior se obtiene X1=28 y X2=53, lo cual
reporta un valor en la función objetivo de V(P)=8.640*(28)+6.780(53)=601.260.
En consecuencia la solución óptima del problema es X1=16 y X2=69, con valor
óptimo V(P)=8.640*(16)+6.780(69)=606.060.
Una vez resuelto el escenario original a continuación se presentan algunos
análisis adicionales que representan por separado modificaciones en los
coeficientes de la función objetivo y restricciones del problema.

Intervalo Variación Coeficiente Función Objetivo

Determine cuánto podría variar la utilidad por hectárea del tabaco Virginia,
manteniendo constante la utilidad por hectárea del tabaco procesado, de forma
que la actual solución óptima no cambie. Para este caso determine el intervalo de
variación de la utilidad total.
Sea en términos generales la función objetivo Z=C1X1+C2X2, donde inicialmente
en el ejemplo C1=8.640 y C2=6.780. La pendiente de las curvas de nivel de la
función objetivo es -C1/C2. De este modo se conserva la actual solución óptima
(vértice C) en la medida que:

En este caso la utilidad por hectárea del tabaco Virginia puede variar entre 6.780
USD y 9.040 USD, de tal forma que el actual nivel de producción (solución óptima)
sería el mismo. Lo anterior permite concluir que el intervalo de variación para la
utilidad total será .

Precio Sombra (Método Gráfico)

Si se pudiese contratar más mano de obra disponible en el mercado, ¿Cuántas
horas de mano de obra en total estaría dispuesto a utilizar? ¿Cuál sería el aporte
adicional de esas horas extras que utilizaría en términos monetarios? Responda lo
anterior utilizando el concepto de Precio Sombra.
Para calcular gráficamente el precio sombra necesitamos identificar la máxima y
mínima variación para el lado derecho de la restricción de mano de obra que
permita garantizar que se conserva la actual base óptima (restricciones activas
originales). En este sentido en el caso de aumentar el lado derecho de dicha
restricción la solución óptima podrá ser encontrada manteniendo las restricciones
activas (e incorporando una adicional) hasta la coordenada (20,65) que es donde
se interceptan la segunda y tercera restricción. En el caso de disminuir la
disponibilidad de horas en mano de obra se mantiene la base óptima hasta el
vértice B cuya coordenada es (0,85). De esta forma se obtiene el precio sombra
de la siguiente forma:

En consecuencia el lado derecho de la restricción 4 (disponibilidad de mano de

obra) puede variar entre [5.100, 5.500] y se conservan las actuales restricciones
activas. Adicionalmente dado que en el óptimo actual se utilizan 5.420 horas de
mano de obra se deben contratar 80 horas adicionales (de modo de alcanzar las
5.500 horas). Luego, la variación de 80 horas adicionales implicaría un aumento
en la utilidad total de 80*USD93=7.440USD.

Análisis de sensibilidad algebraica

TOYCO utiliza tres operaciones para armar tres tipos de juguetes: trenes,
camiones y carros. Los tiempos diarios disponibles para las tres operaciones son
430, 460 y 420 minutos, respectivamente, y los ingresos por unidad de tren,
camión y auto de juguete son de $3, $2 y $5, respectivamente. Los tiempos de
ensamble por tren en las tres operaciones son de 1, 3 y 1 minutos,
respectivamente. Los tiempos correspondientes por tren y por auto son (2, 0,4) y
(1, 2,0) minutos (un tiempo cero indica que la operación no se utiliza). Sean x 1, x2 y
x3 las cantidades diarias de unidades ensambladas de trenes, camiones y autos,
respectivamente, el modelo de PL asociado se da como:

Utilizando x4, x5 y x6 como las variables de holgura para las restricciones de las
operaciones 1, 2 y 3, respectivamente, la tabla óptima es
La solución recomienda fabricar 100 camiones y 230 autos pero no trenes. El
ingreso asociado es $1350.

Determinación de precios duales e intervalos de factibilidad. Utilizaremos el

modelo de TOYCO para demostrar cómo se obtiene esta información con la tabla
simplex óptimo. Reconociendo que los precios duales y sus intervalos de
factibilidad tienen que ver con los cambios del lado derecho de las restricciones,
suponga que D1, D2 y D3 son los cambios (positivos o negativos) realizados en el
tiempo de fabricación diario asignado de las operaciones 1, 2 y 3,
respectivamente. El modelo de TOYCO original puede cambiarse entonces a

Para expresar la tabla simplex óptima del problema modificado en función de los
cambios D1, D2 y D3, primero volvemos a escribir la tabla de inicio con los nuevos
lados derechos, 430 1 D1, 460 1 D2 y 420 1 D3.
Las dos áreas sombreadas son idénticas. Por consiguiente, si repetimos las
mismas iteraciones simplex (con las mismas operaciones de filas) como en el
modelo original, las columnas en las dos áreas resaltadas también serán idénticas
en la tabla óptima, es decir
La nueva tabla óptima da la siguiente solución óptima:

Ahora utilizamos esta solución para determinar los precios duales y los intervalos
de factibilidad. Precios duales: El valor de la función objetivo puede escribirse
como

La ecuación muestra que:

1. Un cambio unitario en la capacidad de la operación 1 (D1= +/-1 min) cambia a z
en $1.
2. Un cambio unitario en la capacidad de la operación 2 (D2= +/- 1 min) cambia a
z en $2.
3. Un cambio unitario en la capacidad de la operación 3 (D3= +/- 1 min) cambia a z
en $0.

Esto significa que, por definición, los precios duales correspondientes son de 1, 2
y 0 ($/min) para las operaciones 1, 2 y 3, respectivamente. Los coeficientes D1,
D2 y D3 en la fila z óptima son exactamente los de las variables de holgura x4, x3
y x6. Esto significa que los precios duales son iguales a los coeficientes de las
variables de holgura en la fila z óptima. No existe ambigüedad en cuanto a qué
coeficiente corresponde a qué recurso porque cada variable de holgura está
identificada de forma única con una restricción. Intervalo de factiblidad: La solución
actual permanece factible si todas las variables básicas permaneces no negativas,
es decir

Los cambios simultáneos de D1, D2 y D3 que satisfacen estas desigualdades

mantendrán la solución factible. La nueva solución óptima se determina
sustituyendo los valores de D1, D2 y D3. Para ilustrar el uso de estas condiciones,
suponga que el tiempo de fabricación disponible para las operaciones 1, 2 y 3 son
de 480, 440 y 400 minutos, respectivamente. Entonces, D1= - 480 - 430 = 50, D2=
440 - 460 = -20 y D3= 400- 420 = -20. Sustituyendo en las condiciones de
factibilidad, obtenemos
Los cálculos demuestran que x6, 0, de ahí que la solución actual no permanezca
factible. Se requerirán más cálculos para encontrar la nueva solución (vea el
capítulo 4). Como alternativa, si los cambios de los recursos son tales que D1=
-30, D2 = -12 y D3 = 10, entonces

La nueva solución factible (óptima) es x1= 88, x3= 224, y x6 = 68 con z = 3(0) +
2(88)+ 5(224) = $1296. Observe que el valor objetivo óptimo también puede
calcularse utilizando los precios duales como z= 1350 + 1 (-30)+ 2(-12) + 0(10)
5=$1296. Las condiciones dadas pueden producir los intervalos de factibilidad
individuales asociados con cambiar los recursos uno a la vez (como se define en
la sección 3.6.1). Por ejemplo, un cambio del tiempo de la operación 1 sólo implica
que D2 = D3 = 0. Por tanto, las condiciones simultáneas se reducen a

Esto significa que el precio dual para la operación 1 es válido en el intervalo de

factibilidad 200 ≤ D1 ≤ 10. Podemos demostrar del mismo modo que los
intervalos de factibilidad para las operaciones 2 y 3 son -20 ≤ D2 ≤ 400 - 20< D3 <
∞, respectivamente. Ahora podemos resumir los precios duales y sus intervalos de
factibilidad para el modelo de TOYCO como sigue:
Es importante señalar que los precios duales permanecerán aplicables con
cualquier cambio simultáneo que mantenga la solución factible, aun cuando los
cambios violen los intervalos individuales. Por ejemplo, los cambios D1= 30, D2=
-12 y D3 = 100 mantendrán la solución factible aun cuando D1 5 30 viole el
intervalo de factibilidad - 200 ≤ D1 ≤ 10, como los siguientes cálculos lo
demuestran:

Los paquetes de programación lineal disponibles suelen presentar esta

información como resultados estándar. Prácticamente ninguno proporciona el caso
de condiciones simultáneas, quizá porque su visualización es muy pesada en el
caso de PL grandes.
Esto significa que los precios duales permanecerán aplicables, y que podemos
calcular el nuevo valor objetivo óptimo con los precios duales como z= 1350 +
1(30) + 2(-12) + 0(100) = $1356.

Análisis de sensibilidad algebraica. Función objetivo.

Definición de costo reducido. Para facilitar la explicación del análisis de
sensibilidad de la función objetivo, primero tenemos que definir los costos
reducidos. En el modelo de TOYCO, la ecuación z objetivo que aparece en la tabla
óptima puede escribirse como

z = 1350 - 4x1 - x4 - 2x5

La solución óptima no produce trenes de juguete (x1 5 0). La razón se pone de

manifiesto en la ecuación z, donde un incremento unitario en x1 (sobre su valor de
cero actual) reduce a z en $4, es decir, z= 1350 - 4 * (1) - 1 * (0) – 2 * (0) = $1346.
Podemos considerar el coeficiente de x1 en la ecuación z(= 4) como un costo
unitario porque reduce el ingreso z. Pero ¿de dónde proviene este “costo”?
Sabemos que el ingreso por unidad de x1 es de $3 (según el modelo original).
También sabemos que la producción de trenes de juguete incurre en un costo
porque consume recursos (tiempo de operaciones). Por consiguiente, desde el
punto de vista de la optimización, el “atractivo” de x1 depende del costo de los
recursos consumidos con respecto al ingreso. Esta relación define el llamado
costo reducido y se formaliza en la literatura de PL como
Para apreciar la importancia de esta definición, en el modelo original de TOYCO el
ingreso por unidad de camiones de juguete (5 $2) es menor que el de trenes de
juguete (5 $3). No obstante la solución óptima recomienda producir camiones de
juguete (x2 5 100 unidades) y nada de trenes (x1 5 0). La razón es que el costo de
los recursos consumidos por un camión de juguete (es decir, tiempo de
operaciones) es menor que su precio unitario; al contrario de lo que sucede en el
caso de los trenes de juguete.

Con la definición dada de costo reducido, podemos ver que una variable no
rentable (como x1) puede hacerse rentable de dos maneras: 1. Incrementando el
ingreso unitario. 2. Reduciendo el costo unitario de los recursos consumidos. En la
mayoría de las situaciones, las condiciones del mercado dictan el precio por
unidad y puede ser difícil incrementarlo a voluntad. Por otra parte, una opción más
viable es reducir el consumo de recursos porque el fabricante puede reducir el
costo si hace que el proceso de producción sea más eficiente.

Conclusiones

Gracias a esta investigación podemos concluir los siguientes puntos sobre el

método dual y el análisis de sensibilidad:
 La dualidad permite realizar importantes interpretaciones económicas de
los problemas de programación lineal y así como también generar métodos
como el método dual del simplex de gran importancia en el análisis de
post-optimización y en la programación lineal paramétrica.

 La diferencia principal del método simplex y el método dual, es que el

simplex se inicia con una solución factible y la mantiene mientras busca
conseguir la optimización. El método dual inicia con una solución óptima
pero no factible y busca la factibilidad manteniendo la optimización.

 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.

 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.