UNIVERSIDAD ALEJANDRO DE HUMBOLDT FACULTAD DE INGENIERIA

CARRERA INGENIERIA EN INFORMATICA

Análisis de Dualidad y Sensibilidad Dualidad y significación matemática y

económica
Tercer corte

Autor: Jeremy Morin

Tutor: Nelson blacon

Caracas, 2 de agosto de 2021

 Índice

Introducción.......................................................................................................................3
Análisis de Dualidad y Sensibilidad Dualidad y significacion matematica y económica.4
Definicion (Forma simetrica de minimizacion)............................................................4
Definición de la DUALIDAD EN PROGRAMACION LINEAL................................4
Realizar una Tabla de TUCKER...................................................................................4
Definir Relación primal-dual, realizar un ejercicio.......................................................7
Cual es el Componentes de los modelos primal y dual................................................8
Indicar el caso general Dualidad, y demostrar., de un ejemplo....................................8
Definir los Teoremas de dualidad con demonstration , ejemplo y grafica....................9
Definir Condiciones de holgura complementaria y sus teoremas................................10
Interpretación de las condiciones.................................................................................11
2. Si una restricción primal no se verifica con igualdad, la correspondiente..............11
Teoremas , Demostración y ejemplo de Solución dual optima..................................12
Defina Interpretación economica de la dualidad de un ejemplo..................................12
Definir el El metodo simplex dual...............................................................................13
Explique el Algoritmo simplex dual............................................................................13
Explique la Solucion de modelos lineales...................................................................13
Señale un ejemplo de Problema infactible...................................................................14
Conclusion.......................................................................................................................15
 Introducción

La Programación Lineal es un procedimiento o algoritmo matemático mediante

el cual se resuelve un problema indeterminado, formulado a través de ecuaciones
lineales, optimizando la función objetivo, también lineal. Consiste en optimizar
(minimizar o maximizar) una función lineal, denominada función objetivo, de tal forma
que las variables de dicha función estén sujetas a una serie de restricciones que
expresamos mediante un sistema de inecuaciones lineales. En el presente trabajo se
exploraran modelos y reglas que la dualidad sigue para poder conseguir resoluciones de
problemas mas eficientes a la hora de optimizar
 Análisis de Dualidad y Sensibilidad Dualidad y significacion matematica y
económica

Definicion (Forma simetrica de minimizacion)

Un modelo lineal esta escrito en forma simétrica de maximización si

• el objetivo es maximizar

• todas las restricciones son del tipo ≤,

• todas las variables son no negativas.

Definición de la DUALIDAD EN PROGRAMACION LINEAL

En el desarrollo de la programación lineal la teoría de la dualidad es importante, tanto
desde el punto de vista teórico como desde el punto de vista practico. Para cada modelo
lineal se puede escribir el modelo dual asociado. Veremos que resolviendo uno de los
modelos se obtiene la solución de ambos; en la tabla optima del modelo resuelto aparece
también la solución ´optima del dual asociado

Realizar una Tabla de TUCKER.

Las condiciones de Karush-Kuhn-Tucker (también conocidas como las condiciones
KKT o Kuhn-Tucker) son requerimientos necesarios y suficientes para que la solución
de un problema de programación matemática sea óptima

1. Realizar ejemplo de problema dual

Max Z = 100000 T + 50000 C

s.a.:

20 T + 10 C ≤ 2000
0.02 T + 0.03 C ≤ 1

T ≥ 0, C ≥ 0.

En el cuaderno de prácticas tenemos la solución mediante

GAMS, pero lo que nos proponemos es

¾ Obtener la tabla optima del algoritmo del simples

(conocidas las variables básicas de la solución)

¾ Plantear el programa dual asociado

¾ Obtener la tabla óptima del programa dual a partir

de la solución del programa primal.

Obtener la tabla optima del algoritmo del simples

(conocidas las variables básicas de la solución)

La solución según el fichero LST de GAMS consiste en

producir T =50 y la primera restricción es inactiva (S1 = 1000).

Por tanto, las variables básicas serán: T y S1.

El problema original, para convertir las restricciones de

desigualdades en igualdades debemos introducir las variables de

holgura (S1 y S2), por tanto, queda:

20 T + 10 C + S1 = 2000

0.02 T + 0.03 C + S2 = 1

La base está formado por los vectores asociados a las variables

básicas:

=0.02 0

20 1

B la matriz inversa será:

1 1000

0 50 1 B

A partir del conocimiento de la base B y su inversa ya

podemos reconstruir todos los elementos de la tabla:

Variables básicas: xB = B-1 b =

− 1000

50

2000

1 1000

0 50

Coeficientes de la tabla del simplex: B-1 A =

− 0 20 1 1000

1 1.5 0 50

0.02 0.03 0 1

20 10 1 0

1 1000

0 50

Por tanto ya tenemos todos los elementos para reconstruir la tabla

del simplex, que será:

100000 50000 0 0

T C S1 S2

100000 T 1 1.5 0 50 50

0 S1 0 -20 1 -1000 1000

Zi 100000 150000 0 5000000

Wi 0 -100000 0 -5000000 5000000

Plantear el programa dual asociado

El programa dual del problema original:

Max Z = 100000 T + 50000 C

s.a.:

20 T + 10 C ≤ 2000

0.02 T + 0.03 C ≤ 1

T ≥ 0, C ≥ 0.

Será:

Min G = 2000 λ1 + λ2

s.a.:

20 λ1 + 0.02 λ2 ≥ 100000

10 λ1 + 0.03 λ2 ≥ 50000

λ1 ≥ 0, λ2 ≥ 0

Definir Relación primal-dual, realizar un ejercicio

De lo anteriormente expuesto se puede deducir que existe una estrecha relación entre el
problema primal y dual que puede expresarse en lo siguiente:

El dual tiene la matriz D transpuesta, es decir, si suponemos que D es de orden s x r,

entonces Dt es de orden r x s. Además las variables del primal y el dual son diferentes,
ya que X será un vector de r-componentes mientras que el vector Y tendrá s-
componentes.

Los términos independientes del conjunto de las restricciones del problema primal
forman los coeficientes de la función objetivo del dual.

Los coeficientes de la función objetivo del primal forman los términos independientes
de las restricciones del dual.
Las restricciones del dual cambian su sentido al igual que el criterio de optimización en
términos de mínimo o máximo.

A cada restricción del problema primal le corresponde una variable dual y análogamente
a cada restricción del dual le corresponde una variable del primal.

Si se halla el dual del problema dual, obtendremos el problema primal.

Cual es el Componentes de los modelos primal y dual

Dado un modelo lineal primal y su correspondiente dual la relaci´on que existe

entre las componentes de ambos modelos es la siguiente

• Si la matriz A del modelo primal es de tama˜no m × n, el modelo primal

tiene m restricciones y n variables. La matriz del problema dual es AT y,

por tanto, el modelo dual tiene n restricciones y m variables.

• El vector b es el vector de recursos del problema primal y es el vector de

costes del problema dual.

• El vector c es el vector de costes del problema primal y es el vector de

recursos del problema dual.

• El n´umero de restricciones del primal es igual al n´umero de variables del

dual.

• El n´umero de variables del primal es igual al n´umero de restricciones del

dual.

Indicar el caso general Dualidad, y demostrar., de un ejemplo.

Las restricciones de un modelo modelo lineal pueden ser del tipo ≤, =, ≥. Para calcular
el problema dual se puede escribir en forma simétrica y utilizar la relación primal-dual.
También se puede utilizar la Tabla 3.1 para calcular el dual de un modelo que no este
escrito en forma simétrica de maximización. Probaremos algunas de las relaciones de la
tabla; el resto se prueban de forma análoga. Caso 1. Si las restricciones del problema
primal son del tipo ≥, entonces las variables del dual son menores o iguales que cero. Es
decir, dado el modelo
primal

max z = c

Tx

sujeto a

Ax ≥ b

x≥0

el dual asociado es

min G = b

Ty

sujeto a

AT y ≥ c

y≤0

Definir los Teoremas de dualidad con demonstration , ejemplo y grafica.

Los siguientes teoremas establecen las relaciones entre el problema primal, el dual y las
soluciones de ambos problemas. Los resultados de los teoremas están enunciados
considerando la forma primal-dual simétrica.

Primal Dual

max z = c

T x min G = b

Ty

sujeto a sujeto a

Ax ≤ b AT y ≥ c

x ≥ 0 y ≥ 0
Demostración. ´ Considerar el problema dual

min G = b

Ty
sujeto a

AT y ≥ c

y≥0

Para calcular el dual de este problema lo escribimos en forma sim´etrica de maximizaci

´on

− max (−G) = −b

Ty

sujeto a

−AT y ≤ −c

y≥0

Utilizando la relaci´on primal-dual, el dual de este problema es

− min (−z) = −c

Tx

sujeto a

−Ax ≥ −b

x≥0

que escrito en forma equivalente es el modelo primal

max z = c

Tx

sujeto a

Ax ≤ b

x ≥ 0

Definir Condiciones de holgura complementaria y sus teoremas.

Las condiciones de holgura complementaria permiten calcular la solución ´optima del
dual a partir de la solución ´optima del primal y viceversa. Dichas condiciones son
consecuencia del siguiente teorema.

Teorema (Holgura complementaria) Dadas dos soluciones factibles x ∗ e y ∗ para el

primal y dual respectivamente, son optimas si y solo si se verifica ´ x ∗T (AT y ∗ − c) +
y ∗T (b − Ax∗ ) = 0. La interpretación de este resultado proporciona las condiciones de
holgura complementaria. Recordemos que en todos los casos se tienen en cuenta las
formas primal y dual simétricas.

Interpretación de las condiciones

Dadas soluciones ´optimas x ∗ e y ∗ del primal y del dual, respectivamente, las
restricciones de ambos problemas se pueden escribir de la siguiente forma: b − Ax∗ ≥ 0,
AT y ∗ − c ≥ 0. Por otra parte, las soluciones ´optimas para el primal y el dual, x ∗ e y
∗ , son vectores que no tienen componentes negativas. Por tanto, si premultiplicamos las
desigualdades anteriores por y ∗T y por x ∗T , respectivamente, se tienen las
desigualdades x ∗T (AT y ∗ − c) ≥ 0, y ∗T (b − Ax∗ ) ≥ 0. La tesis del teorema de
holgura complementaria asegura que la suma de los dos primeros miembros de las
desigualdades anteriores es cero y, teniendo en cuenta que los dos sumandos son
mayores o iguales que cero, podemos concluir que los dos sumandos deben ser cero
simultáneamente, es decir x ∗T (AT y ∗ − c) = 0, y ∗T (b − Ax∗ ) = 0.

En las dos ecuaciones anteriores se tiene el producto de dos factores no negativos

igualado a cero; si uno de los factores no es cero debe ser cero el otro. As´ı,

se pueden extraer las siguientes conclusiones que permiten calcular la soluci´on de

un problema conocida la del otro.

1. Si una variable primal es estrictamente positiva, la correspondiente restricci´on

dual se verifica con igualdad, no requiere variable de holgura positiva. Es

decir,

∗ > 0 ⇒ AT y

∗ − c = 0.
2. Si una restricción primal no se verifica con igualdad, la correspondiente
variable dual toma el valor cero. Es decir,

Ax∗ < b ⇒ y

∗ = 0.

3. Si una variable dual es estrictamente positiva, la correspondiente restricci´on

primal se verifica con igualdad. Es decir,

∗ > 0 ⇒ Ax∗ − b = 0.

4. Si una restricci´on dual no se verifica con igualdad, la correspondiente variable

primal tomar´a el valor cero. Es decir,

AT y

∗>c⇒x

∗ = 0.

Teoremas , Demostración y ejemplo de Solución dual optima

Teorema 3.4.1 Sean dos modelos lineales primal-dual simetricos. Si ´ B es base optima
para el problema primal, entonces ´ y ∗T = c T BB−1 es solucion´ optima del ´
problema dual. Demostracion. ´ Sumando el vector xh de variables de holgura a la
forma sim´etrica primal, se tienen las restricciones Ax + Ixh = b, x, xh ≥ 0. Si B es la
base ´optima para el primal y xB la soluci´on factible b´asica ´optima, entonces zj − cj ≥
0 para todo vector aj de la matriz A. zj = c T Byj = c T BB −1 aj . Entonces, c T BB
−1A ≥ c T . La ´ultima desigualdad se puede escribir en forma traspuesta AT (c T BB
−1 ) T ≥ c. El sistema anterior es el sistema de restricciones del dual. Por tanto, el vector
y ∗ = (c T BB−1 ) T es soluci´on para el dual. Para comprobar si es factible calculamos
los indicadores asociados a los vectores de I, c T BB −1 I ≥ c T I . Dado que las
variables del vector xh son de holgura, cI = 0 y se tiene c T BB −1 I = c T BB −1 ≥ 0 T .
Por tanto, las componentes del vector y ∗ = (c T BB−1 ) T son no negativas.

Comprobaremos que y ∗ es ´optima comprobando que los objetivos primal y dual

coinciden. z ∗ = c T BxB = c T BB −1b = b T (c T BB −1 ) T = b T y ∗ = G ∗ . Por ser
los objetivos iguales, se deduce que y ∗ = (c T BB−1 ) T es soluci´on ´optima para el
dual

Defina Interpretación economica de la dualidad de un ejemplo.

La soluci´on ´optima de un modelo lineal determina la asignaci´on ´optima de recursos
limitados. Como veremos, el valor ´optimo de las variables duales indica si es o no
conveniente cambiar el nivel de recursos en el modelo. Esta informaci´on la
proporcionan los precios sombra que definimos a continuaci´on.

Definir el El metodo simplex dual.

En sucesivas iteraciones el algoritmo va de una soluci´on factible b´asica a otra hasta
alcanzar la ´optima, es decir, hasta que en la tabla zj − cj ≥ 0 para todo aj de la matriz A.
Estas condiciones de la fila de indicadores son las asociadas a la factibilidad dual. Es
decir, el algoritmo simplex comienza en una soluci´on primal factible y termina cuando
se obtiene la factibilidad dual. De ahora en adelante a este m´etodo le llamaremos
simplex primal A continuaci´on introducimos el algoritmo simplex dual que comienza
tambi´en eligiendo como primera base la matriz I, pero en este caso siempre formada
por variables de holgura. El primer paso es escribir el modelo lineal en forma sim´etrica
de maximizaci´on y sumar una variable de holgura en cada restricci´on. Si en la primera
tabla hay factibilidad dual se realiza el n´umero necesario de iteraciones hasta conseguir
tambi´en la factibilidad primal. Si elegida as´ı la primera base en la primera tabla no hay
factibilidad dual,

Explique el Algoritmo simplex dual

El objetivo es maximizar. Se elige como primera base la matriz B = I formada por
variables de holgura. Paso 1. Construir la primera tabla en la que zj − cj ≥ 0 para todo
vector aj de la matriz A. Paso 2. Con respecto a la factibilidad primal, se pueden dar dos
casos. • Si xBi ≥ 0, i = 1, . . ., m, entonces la solucion es ´ optima ´ . Parar. • Si existe
xBi < 0, entonces la soluci´on se puede mejorar. Ir al Paso 3. Paso 3. Cambio de base. •
Sale de la base el vector ar que verifica la condici´on xBr = min i {xBi/xBi < 0}. La fila
r es la fila pivote

Entra en la base el vector ak que verifica la condición zk − ck yrk = max j zj − cj yrj

/yrj < 0 . La columna k es la columna pivote. yrk es el pivote. Si no existe yrj , j =
1, . . ., n, negativo, entonces el problema es infactible. Parar. Paso 4. Calcular una nueva
tabla con las mismas operaciones elementales definidas en el algoritmo simplex.

Explique la Solucion de modelos lineales

En este apartado se utiliza el algoritmo simplex dual para resolver tres problemas que
requieren restricción artificial. Problema factible. Consideramos el ejemplo de la pagina
113. Vimos que eligiendo como matriz base la identidad formada por variables de
holgura en la primera tabla no hay factibilidad primal pero tampoco dual. Entonces, es
necesario añadir la restricción artificial x1 + x2 ≤ M. Primera iteración. ´ La primera
tabla es

Se hace el siguiente cambio de base para obtener factibilidad dual. Entra en la base el
vector asociado al indicador negativo más pequeño, a2, y sale de la base el vector de
holgura de la restricción artificial, a5. Haciendo operaciones elementales se tiene la
siguiente tabla:

Se observa que en la tabla hay factibilidad dual y se puede continuar con los pasos del
algoritmo. Sale de la base el vector a3 y entra el vector a5 y con las operaciones
elementales habituales se obtiene la siguiente tabla:
En esta tabla hay factibilidad primal y la variable de holgura de la restricción artificial
es básica; la solución ´optima es x ∗ 1 = 0 , x ∗ 2 = 10 , z ∗ = 60.

Señale un ejemplo de Problema infactible.

max z = 3x1 + 2x2 min G = 2y1 + 4y2 sujeto a sujeto a −2x1 + x2 ≤ 2 −2y1 + 2y2 ≥
3 2x1 + x2 ≥ 4 y1 + y2 ≥ 2 x1, x2 ≥ 0 y1 ≥ 0, y2 ≤ 0 Resolviendo gráficamente
podemos ver que el problema primal es no acotado y el dual no tiene solución.
 Conclusion

Se puede concluir con lo presentado en la presente investigación, que los

modelos duales son y condiciones que deben cumplir para ser usados correctamente son
teoremas matemáticos que se usan mucho en la ciencia computacional y en los cálculos
económicos para resolver problemas a la hora de maximizar y minimizar la distribución
de ciertos elementos