ÍNDICE

PÁGINA

- INTRODUCCIÓN 2

- DUALIDAD 3

- CORRESPONDENCIA ENTRE LA SOLUCIÓN DEL PROBLEMA 6

PRIMAL Y DEL PROBLEMA DUAL
Teorema 1 6
Teorema 2 7
- ANÁLISIS DE SENSIBILIDAD 12
1. Cambio en el lado derecho de las restricciones 13
2. Inclusión de una nueva variable 15
- CONCLUSIONES 18
- BIBLIOGRAFÍA 20
INTRODUCCIÓN

Uno de los métodos más utilizados para la optimización de recursos y la toma de

decisiones es la programación lineal. Cuando se trata de resolver un problema de este
tipo, la primera etapa consiste en identificar las posibles decisiones que pueden tomarse;
esto lleva a identificar las variables del problema concreto. Normalmente, las variables
son de carácter cuantitativo y se buscan los valores que optimizan el objetivo.

La segunda etapa supone determinar que decisiones resultan admisibles; esto

conduce a un conjunto de restricciones que se determinan teniendo presente la
naturaleza del problema en cuestión. En la tercera etapa, se calcula el coste/beneficio
asociado a cada decisión admisible; esto supone determinar una función objetivo que
asigna, a cada conjunto posible de valores para las variables que determinan una
decisión, un valor de coste/beneficio. El conjunto de todos estos elementos define el
problema de optimización.

Sin embargo, después de obtener los resultados de la programación, se puede

someter a éstos resultados a un modelo alternativo o dual donde se varíen los términos
independientes y se observe la sensibilidad de estas variaciones en el resultado óptimo.

El propósito de este trabajo es presentar los aspectos de dualidad y sensibilidad

en la resolución de problemas de programación lineal

2
DUALIDAD

En el análisis de los problemas de Programación Lineal de Maximización y de

Minimización se comprueba que para todo problema de maximización, existe un
problema de minimización asociado, denominado el problema DUAL y para todo
problema de minimización existe un problema DUAL asociado de maximización.

Considere los siguientes modelos de Programación Lineal:

Maximizar Z = c1x1 + c2x2 +…+ cnxn

Sujeta a: a11x1 + a12x2 +…+ a1nxn ≤ b1

a21x1 + a22x2 +…+ a2nxn ≤ b2

....

....

....

am1x1 +am2x2 +…+amnxn ≤ bm

Donde: x1, x2,…, xn ≥ 0 (3)

El cual se puede escribir en forma matricial como:

Maximizar Z = c x

Sujeto a: Ax ≤ b x≥0

Entonces existe el modelo (4) al cual se le denomina el problema DUAL.

Minimizar Z´ = b1y1 + b2y2 +…+ bnyn (4)

Sujeta a: a11y1 + a21y2 +…+ am1ym ≥ c1

a12y1 + a22y2 +…+ am2ym ≥ c2

....

....

....

a1ny1 +a2ny2 +…+amnym ≥ cn

Donde: y1, y2,…, ym ≥ 0

El cual se puede escribir en forma matricial como:

3
Minimizar Z´ = bT y

Sujeto a: AT y ≥ cT

y ≥ 0

Estos dos modelos son denominados duales, el problema representado por (3) es el
Problema Primal, y el modelo (4) es el Problema Dual.

A traves del ejemplo 1.10 se ilustra el problema de la dualidad.

Ejemplo 1.10

Determinar el Problema Dual del siguiente modelo de Programacion Lineal:

Maximizar Z = 2x1 + 4x2

Sujeto a: 2x1 + 3x2 ≤ 3

3x1 – x2 ≤ 4

5x1 + 4x2 ≤ 2

X1, x2 ≥ 0

Solución

Considerando que el modelo dado corresponde a un modelo canónico se puede

afirmar que para él existe un modelo Dual. En forma matricial el modelo propuesto se
puede escribir, como:

Maximizar Z = c x

Sujeto a: Ax ≤ b

x≥0

De acuerdo a la definición el problema Dual esta dado por:

Minimizar Z´ = bT y

4
Sujeto a: AT y ≥ cT

y≥0

Para hallar el problema Dual debemos pues determinar bT , AT y cT

Es decir que el modelo Dual sera:

Es decir que el modelo del problema DUAL sera:

CORRESPONDENCIA ENTRE LA SOLUCION DEL PROBLEMA PRIMAL Y

DEL PROBLEMA DUAL.

Se puede demostrar que:

Teorema 1.

5
 Si el problema primal o el problema dual tienen una solución óptima con valor
objetivo finito, entonces el otro problema también tiene una solución óptima. Además,
los valores objetivos de los dos problemas son iguales

También se puede demostrar que:

Teorema 2.

Si se resuelve el problema primal mediante el método Simplex, la tabla final

contiene la solución óptima del problema dual en el renglón objetivo, bajo las columnas
de las variables de holgura. y1 corresponderá a la primera variable de holgura; y2 a la
segunda y así sucesivamente.

En el ejemplo siguiente se ilustra el uso del problema dual.

6
7
8
9
 Estos problemas de programación lineal también se pueden resolver utilizando el
recurso Solver de Excel de la Microsoft Office.

ANÁLISIS DE SENSIBILIDAD

10
 El análisis de sensibilidad o postoptimal para los modelos de Programación Lineal, tiene
por objetivo identificar el impacto que resulta en los resultados del problema original luego de
determinadas variaciones en los parámetros, variables o restricciones del modelo, sin que esto
pase por resolver el problema nuevamente.

Es decir, ya sea si resolvemos nuestro modelo gráficamente o utilizando el

Método Simplex, lo que se busca es que estas variaciones o sensibilidad hagan uso de la
solución y valor óptimo actual, sin tener la necesidad de resolver para cada variación un
nuevo problema. En especial nos concentraremos en el análisis de sensibilidad o
postoptimal que hace uso de la tabla final del Método Simplex.

Teoría

El Método Simplex opera para modelos de Programación Lineal en un formato

estándar.

Min    cTx
s.a      Ax = b
           x >=  0

Donde la tabla final del Método mantiene la siguiente estructura:

 Donde:
 I: Matriz Identidad
 0: Costos reducidos asociados a las variables básicas
 B: Matriz de variables básicas
 D: Matriz de variables no básicas
 b: Lado derecho
 Cb: Coeficientes en la función objetivo asociados a las variables básicas
 Cd: Coeficientes en la función objetivo asociados a las variables no básicas

1. Cambio en el "lado derecho" de las restricciones: Lo que se busca identificar si las

actuales variables básicas se mantienen luego de la modificación de uno o más
parámetros asociados al "lado derecho" del modelo. Si calculamos:

y se cumple , Las mismas variables básicas lo son también de la

nueva solución óptima, calculada con el nuevo . Si lo anterior no se cumple, se puede
aplicar el Método Simplex Dual.

11
EJEMPLO: Sin resolver nuevamente el problema, se desea saber si las actuales
variables básicas óptimas del problema también lo son del mismo problema, donde los
lados derechos corresponde al vector b=(20,30). (Observación: X4 y X5 son variables
de holgura de la restricción 1 y 2 respectivamente)

Max    2x1 + 7x2 - 3x3

sa:         x1 + 3x2 + 4x3 <= 30
              x1 + 4x2 - x3 <= 10
              x1, x2, x3 >= 0

X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 1 1 0 2 20

Para analizar este escenario debemos calcular el vector de variables básicas y

verificar si todos sus componentes son positivos definidos. Nótese que para esto
necesitamos la matriz B inversa, la cual fácilmente podemos rescatar identificando los
parámetros asociados a X4 y X5 (variables de holgura de la restricción 1 y 2
respectivamente) en la tabla final del Método Simplex:

Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene
un valor negativo, cambia la actual base óptima. Cabe destacar que ante esta situación
no es necesario resolver el nuevo escenario partiendo de cero, sino lo que se debe hacer
es utilizar la tabla final del simplex del escenario base, actualizando el lado derecho y
valor de la función objetivo.

X1 X2 X3 X4 X5
0 -1 5 1 -1 -10
1 4 -1 0 1 30
0 1 1 0 2 60

12
Posteriormente, se continua iterando haciendo uso del Método Simplex Dual (explicado
en la primera parte arriba).

2. Inclusión de una nueva variable:

Debemos evaluar si la nueva variable es un aporte significativo a los resultados

del modelo original. Luego, para decir si la actual solución básica es óptima para el
nuevo problema, calculamos el costo reducido de la nueva variable como:

donde k es el índice de la nueva variable y Ak su respectiva columna en

la matriz de coeficientes. Si se cumple que rk>=0 se conserva la actual solución óptima. En
caso contrario, se puede seguir con el Simplex agregando a la tabla una nueva columna con
entradas B-1Ak y rk y tomando como variable entrante a la nueva base la que acabamos de
introducir al problema.

EJEMPLO: Se desea estudiar la posibilidad de elaborar un nuevo producto con

beneficio neto igual a 8 y que requiere 4, 2 y 5 unidades de los recursos asociados a
cada restricción. Sin resolver nuevamente el problema, ¿Conviene elaborar el
producto?

Max    9x1 + 12x2

sa:       4x1 + 3x2 <= 180
            2x1 + 3x2 <= 150
            4x1 + 2x2 <= 160
            x1,x2 >= 0

X1 X2 X3 X4 X5
1 0 1/2 -1/2 0 15
0 1 -1/3 2/3 0 40
0 0 -4/3 2/3 1 20

13
 0 0 1/2 7/2 0 615

Se debe evaluar rk y determinar si este es >=0.

En este ejemplo rk=1>=0, por lo cual no conviene la incorporación de esta nueva

variable al modelo, es decir, aun cuándo sea incorporada no obtendremos un valor óptimo que
supere el actual V(P)=615. De todas formas mostraremos como se incluye en la tabla final del
Simplex esta modificación de modo que el lector pueda entender su incorporación cuando es
necesario:

X1 X2 X3 X4 X5 XNew
1 0 1/2 -1/2 0 1 15
0 1 -1/3 2/3 0 0 40
0 0 -4/3 2/3 1 1 20
0 0 1/2 7/2 0 1 615

Si el costo reducido de esta nueva variable hubiese sido cero, entonces el nuevo
escenario tendría infinitas soluciones.

14
CONCLUSIONES

Los problemas de programación lineal apuntan a maximizar y minizar la función

objetivo con la intención de obtener los mayores beneficios económicos posibles. Existe
para todo problema de maximización un problema de minimización asociado
denominado problema DUAL y viceversa.

En todo caso el primer problema o problema original se denomina el problema

primal al cual se asocia el modelo del problema dual. Para resolver estos problemas se
pueden hacer uso de técnicas matriciales o de técnicas gráficas. En los ejemplos
mostrados para ilustrar la técnica se utiliza el modelo matricial, ya que la técnica gráfica
se limita a dos variables.

En la correspondencia entre el problema primal y el problema asociado dual se

hace uso de dos teoremas que tienen que ver con la solución óptima y las holguras.

También a los resultados de la programación lineal se puede someter a un

análisis de sensibilidad o postoptimal para identificar los impactos en el problema
original de las variaciones de los parámetros, variables o restricciones sin que se tenga
que resolver el problema nuevamente. Aquí también se hace uso del método Simplex
para resolver los problemas de sensibilidad, aunque se puede utilizar otros métodos
como el método gráfico.

Se analizan normalmente dos aspectos: a) cambios en el lado derecho de las

restricciones y b) inclusión de una nueva variable.

En ambos temas, tanto el de dualidad como en el del análisis de la sensibilidad

se presentan un ejemplo para ilustrar el caso.

15
BIBLIOGRAFIA

1. antiguo.itson.mx/dii/elagarda/apagina2001/PM/dualidad.html2.

2. www.investigacion-operaciones.com/Libro/Dualidad-Sensibilidad.pdf

3.

www.investigaciondeoperaciones.net/analisis_de_sensibilidad.html

4. www.angelfire.com/ak6/invo_escom2/clase3.pdf

5. www.programacionlineal.net/

6.

www.vitutor.com/algebra/pl/a_1.html - España

7. html.rincondelvago.com/programacion-lineal_investigacion-de-oper...

16