INVESTIGACIÓN DE

OPERACIONES I
Capítulo 3
 TEORÍA DE DUALIDAD

Asociado a todo problema de programación lineal, existe otro problema lineal

llamado dual. Desde distintos puntos de vista las relaciones entre el problema
dual y el original (primal) son muy útiles.

El problema dual se define sistemáticamente a partir

del modelo de PL primal, por ello, la solución óptima
de uno proporciona automáticamente la solución
óptima al otro. En la mayoría de los tratamientos de
PL, el dual se define para varias formas del primal
según el sentido de la optimización (maximización o
minimización), los tipos de restricciones (≤, ≥, o =), y
el signo de las variables (no negativas o irrestrictas).
 TEORÍA DE DUALIDAD

Pasos para construir el dual a partir del primal:

1. Asignar una variable dual por cada restricción primal.

2. Construir una restricción dual por cada variable primal.
3. Los coeficientes de restricción (columna) y el coeficiente objetivo de la variable
primal j-ésima definen respectivamente los lados izquierdo y derecho de la
restricción dual j-ésima.
4. Los coeficientes objetivo duales son iguales a los lados derechos de las ecuaciones
de restricción primales.
5. Una forma fácil de recordar el tipo de restricción en el dual (es decir, ≤ o ≥) es que
si el objetivo dual es de minimización, entonces todas las restricciones serán del tipo
≥. Lo opuesto aplica cuando el objetivo dual es de maximización.
 TEORÍA DE DUALIDAD

Problema PRIMAL Problema DUAL

𝑛 𝑚
𝑀𝑎𝑥 𝑧 = 𝑐𝑗 𝑥𝑗 𝑀𝑖𝑛 𝑤 = 𝑏𝑖 𝑦𝑖
𝑗=1 𝑖=1
sujeto a: sujeto a:
𝑛 𝑚

𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖 , 𝑖 = 1, 2, … , 𝑚 𝑎𝑖𝑗 𝑦𝑖 ≥ 𝑐𝑗 , 𝑗 = 1, 2, … , 𝑛
𝑗=1 𝑖=1

y y
𝑥𝑗 ≥ 0, 𝑗 = 1, 2, , … 𝑛 𝑦𝑖 ≥ 0, 𝑖 = 1, 2, , … 𝑚
 TEORÍA DE DUALIDAD

Problema PRIMAL Problema DUAL

𝑀𝑎𝑥 𝑧 = 𝑐𝑥 𝑀𝑖𝑛 𝑤 = 𝑦𝑏

sujeto a: sujeto a:

𝐴𝑥 ≤ 𝑏 𝑦𝐴 ≥ 𝑐
y y
𝑥≥0 𝑦≥0
 TEORÍA DE DUALIDAD

Ejemplo 1:
PRIMAL DUAL

𝑀𝑎𝑥 𝑧 = 3𝑥1 + 5𝑥2 𝑀𝑎𝑥 𝑤 = 4𝑦1 + 12𝑦2 + 18𝑦3

s.a. s.a.

𝑥1 ≤4 𝑦1 + 3𝑦3 ≥ 3
2𝑥2 ≤ 12 2𝑦2 + 2𝑦3 ≥ 5
3𝑥1 + 2𝑥2 ≤ 18
𝑦1 , 𝑦2 , 𝑦3 ≥ 0
𝑥1 , 𝑥2 ≥ 0
 TEORÍA DE DUALIDAD

Ejemplo 2:
PRIMAL DUAL

𝑀𝑎𝑥 𝑧 = 3𝑥1 + 5𝑥2 𝑀𝑎𝑥 𝑤 = 4𝑦1 + 12𝑦2 − 18𝑦3

s.a. s.a.

𝑥1 ≤4 𝑦1 − 3𝑦3 ≥ 3
2𝑥2 ≤ 12 2𝑦2 − 2𝑦3 ≥ 5
3𝑥1 + 2𝑥2 ≥ 18 ∗ −1
𝑦1 , 𝑦2 , 𝑦3 ≥ 0
−3𝑥1 − 2𝑥2 ≤ −18
𝑥1 , 𝑥2 ≥ 0
 TEORÍA DE DUALIDAD

Ejemplo 3:
PRIMAL DUAL

𝑀𝑎𝑥 𝑧 = 3𝑥1 + 5𝑥2 𝑀𝑎𝑥 𝑤 = 4𝑦1 + 12𝑦2 + 18𝑦3

s.a. s.a.
𝑥1 ≤4
𝑦1 + 3𝑦3 + 3𝑦4 ≥ 3
2𝑥2 ≤ 12
3𝑥1 + 2𝑥2 = 18 2𝑦2 + 2𝑦3 + 2𝑦4 ≥ 5
3𝑥1 + 2𝑥2 ≤ 18
𝑦1 , 𝑦2 , 𝑦3 , 𝑦4 ≥ 0
−3𝑥
3𝑥1 −
+ 2𝑥2 ≤
≥ −18
18
𝑥1 , 𝑥2 ≥ 0
 TEORÍA DE DUALIDAD

El porqué del problema DUAL

* La solución óptima del problema dual proporciona los precios

sombra.
* Interpretación y realización del análisis de sensibilidad.
 TEORÍA DE DUALIDAD

Precios sombra
La información sobre la contribución económica de los recursos a la medida de
desempeño (Z) para el estudio en curso casi siempre será muy útil. El método
símplex proporciona esta información en forma de precios sombra para los recursos
respectivos.
Los precios sombra del recurso i (denotados por 𝑦𝑖 *) miden el valor marginal de éste,
es decir, la tasa a la que Z puede aumentar si se incrementa (un poco) la cantidad
que se proporciona de este recurso 𝑏𝑖 . El método símplex identifica este precio
sombra como 𝑦𝑖 * coeficiente de la i-ésima variable de holgura del renglón 0 de la
tabla símplex final.
Coeficientes
V. Básica z x1 x2 s1 s2 s3 s4 Solución
z 1 0 0 3/4 1/2 0 0 21
x1 0 1 0 1/4 -1/2 0 0 3
 TEORÍA DE DUALIDAD

Propiedad de dualidad débil: Si x es una solución factible para el

problema primal y, y es una solución factible para el problema dual,
entonces:
𝑐𝑥 ≤ 𝑦𝑏

Propiedad de dualidad fuerte: Si 𝑥 ∗ es una solución óptima para el

problema primal y, 𝑦 ∗ es una solución óptima para el problema dual,
entonces:
𝑐𝑥 ∗ = 𝑦 ∗ 𝑏
 TEORÍA DE DUALIDAD

Teorema de la dualidad: Las siguientes son las únicas relaciones

posibles entre los problemas primal y dual.

1. Si un problema tiene soluciones factibles y una función objetivo

acotada (y, por ende, una solución óptima), entonces ocurre lo mismo
con el otro problema, de manera que se aplican tanto la propiedad de
dualidad débil como la fuerte.
2. Si uno de los problemas tiene soluciones factibles y una función
objetivo no acotada (es decir, no tiene solución óptima), entonces el
otro problema no tiene soluciones factibles.
3. Si un problema no tiene soluciones factibles, entonces el otro
problema no tiene soluciones factibles o bien la función objetivo es no
acotada.
 TEORÍA DE DUALIDAD

Ejemplo 1:
PRIMAL DUAL

𝑀𝑎𝑥 𝑧 = 3𝑥1 + 5𝑥2 𝑀𝑎𝑥 𝑤 = 4𝑦1 + 12𝑦2 + 18𝑦3

s.a. s.a.
𝑥1 ≤4 𝑦1 + 3𝑦3 ≥ 3
2𝑥2 ≤ 12
2𝑦2 + 2𝑦3 ≥ 5
3𝑥1 + 2𝑥2 ≤ 18
𝑦1 , 𝑦2 , 𝑦3 ≥ 0
𝑥1 , 𝑥2 ≥ 0
 TEORÍA DE DUALIDAD

PRIMAL
x1 x2 s1 s2 s3
-3 -5 0 0 0 0
S1 1 0 1 0 0 4
S2 0 2 0 1 0 12
S3 3 2 0 0 1 18

-3 0 0 2.5 0 30
S1 1 0 1 0 0 4
x2 0 1 0 0.5 0 6
S3 3 0 0 -1 1 6

0 0 0 1.5 1 36
s1 0 0 1 0.3 -0 2
x2 0 1 0 0.5 0 6
x1 1 0 0 -0 0.3 2
 TEORÍA DE DUALIDAD

DUAL
y1 y2 y3 s1 s2
-4 -12 -18 0 0 0
S1 -1 0 -3 1 0 -3
S2 0 -2 -2 0 1 -5

-4 0 -6 0 -6 30
S1 -1 0 -3 1 0 -3
y2 0 1 1 0 -1 2.5

-2 0 0 -2 -6 36
y3 0.3 0 1 -0 0 1
y2 -0 1 0 0.3 -1 1.5
 TEORÍA DE DUALIDAD

PRIMAL DUAL

0 0 0 1.5 1 36
-2 0 0 -2 -6 36
s1 0 0 1 0.3 -0 2
y3 0.3 0 1 -0 0 1
x2 0 1 0 0.5 0 6
y2 -0 1 0 0.3 -1 1.5
x1 1 0 0 -0 0.3 2
 TEORÍA DE DUALIDAD

Ejercicio 1: Ejercicio 2:

PRIMAL PRIMAL

𝑀𝑎𝑥 𝑧 = −5𝑥1 + 2𝑥2 𝑀𝑖𝑛 𝑧 = 6𝑥1 + 3𝑥2

s.a. s.a.
−𝑥1 + 𝑥2 ≤ −2 6𝑥1 − 3𝑥2 + 𝑥3 ≥ 2
2𝑥1 + 3𝑥2 ≤ 5 3𝑥1 + 4𝑥2 + 𝑥3 ≥ 5

𝑥1 , 𝑥2 ≥ 0 𝑥1 , 𝑥2 , 𝑥3 ≥ 0
 TEORÍA DE DUALIDAD

Ejercicio 1:

PRIMAL DUAL

𝑀𝑎𝑥 𝑧 = −5𝑥1 + 2𝑥2

s.a.
−𝑥1 + 𝑥2 ≤ −2
2𝑥1 + 3𝑥2 ≤ 5

𝑥1 , 𝑥2 ≥ 0
 TEORÍA DE DUALIDAD

Ejercicio 2:

PRIMAL DUAL

𝑀𝑖𝑛 𝑧 = 6𝑥1 + 3𝑥2

s.a.
6𝑥1 − 3𝑥2 + 𝑥3 ≥ 2
3𝑥1 + 4𝑥2 + 𝑥3 ≥ 5

𝑥1 , 𝑥2 , 𝑥3 ≥ 0
 ANÁLISIS DE SENSIBILIDAD

El Análisis de sensibilidad en PL se refiere a los cambios (dentro de

ciertos límites) que se le pueden dar a los parámetros de entrada sin
que cambie la solución óptima.

Análisis de Sensibilidad Gráfica:

En general se consideran dos cambios:
• La sensibilidad de la solución óptima a los cambios en la
disponibilidad de los recursos (lado derecho de las restricciones).
• La sensibilidad de la solución óptima a los cambios en la utilidad
unitaria o el costo unitario (coeficientes de la función objetivo).
 ANÁLISIS DE SENSIBILIDAD
GRÁFICA

Ejemplo 1 (Cambios en el lado derecho):

VNT fabrica dos productos en dos máquinas. Una unidad del

producto 1 requiere 2 horas en la máquina 1, y 1 hora en la máquina 2.
Una unidad del producto 2 requiere 1 hora en la máquina 1, y 3 horas
en la máquina 2. Los ingresos por unidad de los productos 1 y 2 son
de $30 y $20, respectivamente. El tiempo de procesamiento diario
total disponible en cada máquina es de 8 horas.
 TEORÍA DE DUALIDAD

𝑀𝑎𝑥 𝑧 = 30𝑥1 + 20𝑥2

s.a.
2𝑥1 + 𝑥2 ≤ 8 Máquina 1
𝑥1 + 3𝑥2 ≤ 8 Máquina 2

𝑥1 , 𝑥2 ≥ 0
 TEORÍA DE DUALIDAD

𝑀𝑎𝑥 𝑧 = 30𝑥1 + 20𝑥2

s.a.
2𝑥1 + 𝑥2 ≤ 9 Máquina 1
𝑥1 + 3𝑥2 ≤ 8 Máquina 2

𝑥1 , 𝑥2 ≥ 0
 ANÁLISIS DE SENSIBILIDAD
GRÁFICA

La tasa de cambio en la 𝑧 óptima a consecuencia del cambio de la

capacidad de la máquina 1 de 8 a 9 horas se calcula como:

Tasa de cambio del ingreso a consecuencia

𝑧𝐵 − 𝑧𝐴
del incremento de la capacidad de la = = $14/ℎ
máquina 1 en 1 hora 𝐶𝑎𝑚𝑏𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑

La tasa calculada proporciona un vínculo directo entre los datos de

entrada al modelo y sus resultados. Se dice que un incremento unitario
(reducción) en la capacidad de la máquina 1 aumentará (reducirá) el
ingreso en $14.00.
La tasa de cambio de la función objetivo por cambio unitario de un
recurso es el precio dual.
 ANÁLISIS DE SENSIBILIDAD
GRÁFICA

Calculando las capacidades de la máquina 1 en los puntos C y D se tiene:

𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑚í𝑛𝑖𝑚𝑎 𝑒𝑛 𝐷 0, 2.67 : 2𝑥0 + 1𝑥2.67 = 2.67 ℎ
𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑚á𝑥𝑖𝑚𝑎 𝑒𝑛 𝐶 8,0 : 2𝑥8 + 1𝑥0 = 16 ℎ

Por lo que se concluye que el precio dual de $14/h permanece válido en

el intervalo: 2.67 ℎ ≤ 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑚á𝑞𝑢𝑖𝑛𝑎 1 ≤ 16 ℎ
 ANÁLISIS DE SENSIBILIDAD
GRÁFICA

Calcular precio dual y capacidades de la máquina 2

La tasa de cambio en la 𝑧 óptima a consecuencia del cambio de la
capacidad de la máquina 2 de 8 a 9 horas se calcula como:
Tasa de cambio del ingreso a consecuencia
𝑧𝐸 − 𝑧𝐴
del incremento de la capacidad de la = = $2/ℎ
máquina 1 en 1 hora 𝐶𝑎𝑚𝑏𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑

𝑀𝑎𝑥 𝑧 = 30𝑥1 + 20𝑥2

s.a.
2𝑥1 + 𝑥2 ≤ 8 Máquina 1
𝑥1 + 3𝑥2 ≤ 9 Máquina 2
𝑥1 , 𝑥2 ≥ 0
 ANÁLISIS DE SENSIBILIDAD
GRÁFICA

Calculando las capacidades de la máquina 2 en los puntos F y G se tiene:

𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑚í𝑛𝑖𝑚𝑎 𝑒𝑛 𝐹 4, 0 :
1𝑥4 + 3𝑥0 = 4 ℎ

𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑚á𝑥𝑖𝑚𝑎 𝑒𝑛 𝐺 0, 8 :
1𝑥0 + 3𝑥8 = 24 ℎ

Por lo que se concluye que el precio dual

de $2/h permanece válido en el intervalo:
4 ℎ ≤ 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑚á𝑞𝑢𝑖𝑛𝑎 2 ≤ 24 ℎ
𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒
𝑓𝑎𝑐𝑡𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑
 ANÁLISIS DE SENSIBILIDAD
GRÁFICA

Los precios duales permiten tomar decisiones económicas sobre el

problema de PL, logrando responder a preguntas como:

1- Si VNT puede incrementar la capacidad de ambas máquinas, ¿cuál

máquina tendrá la prioridad?
2- Se sugiere incrementar las capacidades de las máquinas 1 y 2 al
costo adicional de $10/h para cada máquina. ¿Es esto aconsejable?
3- Si la capacidad de la máquina 1 se incrementa de 8 a 13 horas,
¿cómo impactará este incremento al ingreso óptimo?
4- ¿Cómo se puede determinar los nuevos valores óptimos de las
variables asociadas con el cambio de un recurso?
 ANÁLISIS DE SENSIBILIDAD
GRÁFICA

Ejemplo 2 (Cambios en los coeficientes objetivo):

En el mismo problema anterior. Los cambios en unidades de ingresos

(es decir, los coeficientes de la función objetivo) modificarán la
pendiente de z. Sin embargo, como puede verse en la figura, la
solución óptima en el punto A no cambia en tanto la función objetivo
quede entre las líneas CD y FG.

¿Cómo podemos determinar los intervalos para los coeficientes de la

función objetivo que mantendrán inalterable la función óptima en A?
 ANÁLISIS DE SENSIBILIDAD
GRÁFICA

𝑀𝑎𝑥 𝑧 = 30𝑥1 + 20𝑥2

𝑀𝑎𝑥 𝑧 = 𝑐𝑥1 + 𝑐𝑥2

La solución óptima permanecerá en el punto A en tanto 𝑧 = 𝑐𝑥1 +

𝑐𝑥2 quede entre las dos líneas 2𝑥1 + 𝑥2 ≤ 8 y, 𝑥1 + 3𝑥2 ≤ 8. Esto
significa que la relación puede variar entre 1/3 y 2 lo que resulta en el
siguiente intervalo de optimalidad:

1 𝑐1 2
≤ ≤
3 𝑐2 1
 ANÁLISIS DE SENSIBILIDAD
GRÁFICA

Responde las siguientes preguntas:

1- Considera que los ingresos unitarios producidos para los

productos 1 y 2 cambian a $35 y $25, respectivamente.
¿Permanecerá igual el óptimo actual?

2- Figura que el ingreso unitario del producto 2 se fija a su valor

actual 𝑐2 = $20.
¿Cuál es el intervalo de optimalidad asociado para el ingreso
unitario del producto 1, 𝑐1 , que mantendrá el óptimo sin cambio?
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Análisis de Sensibilidad Algebraica

(Función objetivo)

PELUCHE DE CV 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 camion y por
auto son (2,0,4) y (1,2,0) minutos (un tiempo cero indica que la
operación no se utiliza).
ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

𝑀𝑎𝑥 𝑧 = 3𝑥1 + 2𝑥2 + 5𝑥3

s.a.
𝑥1 + 2𝑥2 + 𝑥3 ≤ 430 Operación 1
3𝑥1 + 2𝑥3 ≤ 460 Operación 2
𝑥1 + 4𝑥2 ≤ 420 Operación 3
𝑥1 , 𝑥2 , 𝑥3 ≥0
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA
d1 d2 d3 0 0 0
Básica x1 x2 x3 s1 s2 s3 Solución
1 z 4 0 0 1 2 0 1350
d2 x2 -0.25 1 0 0.5 -0.25 0 100
d3 x3 1.5 0 1 0 0.5 0 230
0 s3 2 0 0 -2 1 1 20
Definición de costo reducido
En el modelo de PELUCHE DE CV , la ecuación z que aparece en la
tabla óptima puede escribirse como:
𝑧 = 1350 − 4𝑥1 − 𝑠2 − 2𝑠3
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

El coeficiente de 𝑥1 en la ecuación 𝑧, se define como un costo unitario

porque reduce el ingreso 𝑧.

¿De dónde proviene este “costo”?

El costo reducido es el costo de los recursos consumidos con respecto
al ingreso.
𝐶𝑜𝑠𝑡𝑜 𝑟𝑒𝑑𝑢𝑐𝑖𝑑𝑜 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝐼𝑛𝑔𝑟𝑒𝑠𝑜
= −
𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑜𝑠 𝑝𝑜𝑟 𝑢𝑛𝑑𝑖𝑎𝑑 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑

Entonces, ¿Porqué la solución óptima recomienda producir 100

camiones de juguete y ningún tren (sabiendo que el ingreso por unidad
de camiones es de $2 y por tren es de $3)?
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Una variable no rentable como 𝑥1 puede volverse rentable de dos

formas:
1- Incrementando el ingreso unitario.
2- Disminuyendo el costo unitario de los recursos consumidos.
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Determinación de los intervalos de optimalidad

En el modelo de PELUCHE DE CV sean 𝑑1 , 𝑑2 y 𝑑3 los cambios de
los ingresos unitarios de camiones, trenes y autos, respectivamente. La
función objetivo se escribe entonces como

𝑀𝑎𝑥 𝑧 = 3 + 𝑑1 𝑥1 + 2 + 𝑑2 𝑥2 + 5 + 𝑑3 𝑥3

1- Considerando una situación general en donde todos los

coeficientes objetivo cambien al mismo tiempo, la fila z de la tabla
simplex inicial será:
Básica x1 x2 x3 s1 s2 s3 Solución
z "-3 - d1 "-2 - d2 "-5 - d3 0 0 0 0
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Básica x1 x2 x3 s1 s2 s3 Solución
z "-3 - d1 "-2 - d2 "-5 - d3 0 0 0 0
s1 1 2 1 1 0 0 430
s2 3 0 2 0 1 0 460
s3 1 4 0 0 0 1 420

Básica x1 x2 x3 s 1 s2 s3 Solución
z 4.5 - d1+1.5d 3 "-2 - d2 0 0 2.5+0.5d3 0 1150+230d3
s1 -0.5 2 0 1 -0.5 0 200
s2 1.5 0 1 0 0.5 0 230
s3 1 4 0 0 0 1 420
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Básica x1 x2 x3 s 1 s2 s3 Solución
z 4.5 - d1+1.5d 3 "-2 - d2 0 0 2.5+0.5d3 0 1150+230d3
s1 -0.5 2 0 1 -0.5 0 200
x3 1.5 0 1 0 0.5 0 230
s3 1 4 0 0 0 1 420

Básica x1 x2 x3 s1 s2 s3 Solución
z 4 - d1+-0.25d2+1.5d3 0 0 1+0.5d2 2-0.25d2+0.5d3 0 1350+100d2+230d3
x2 -0.25 1 0 0.5 -0.25 0 100
x3 1.5 0 1 0 0.5 0 230
s3 2 0 0 -2 1 1 20
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

La iteración óptima será:

Básica x1 x2 x3 s1 s2 s3 Solución
z 4 - d1+-0.25d2+1.5d3 0 0 1+0.5d2 2-0.25d2+0.5d3 0 1350+100d2+230d3
x2 -0.25 1 0 0.5 -0.25 0 100
x3 1.5 0 1 0 0.5 0 230
s3 2 0 0 -2 1 1 20

La nueva tabla óptima es igual a la tabla óptima original, excepto por

los costos reducidos (coeficientes de la ecuación z). Esto significa que
los cambios en los coeficientes de la función objetivo pueden afectar
sólo la optimalidad del problema.
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Para calcular los nuevos costos reducidos los coeficientes de 𝑑𝑖 se toman

directamente de los coeficientes de las restricciones de la tabla óptima.

d1 d2 d3 0 0 0
Básica x1 x2 x3 s1 s2 s3 Solución
1 z 4 0 0 1 2 0 1350
d2 x2 -0.25 1 0 0.5 -0.25 0 100
d3 x3 1.5 0 1 0 0.5 0 230
0 s3 2 0 0 -2 1 1 20

Nota: Para las variables de holgura se tiene que 𝑑𝑖 = 0

 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Para calcular el nuevo costo reducido para cualquier variable (o el valor

de z), multiplica los elementos de su columna por los elementos
correspondientes que aparecen en la columna a la extrema izquierda,
súmalos y resta el elemento en la fila superior de la suma. Por ejemplo,
para 𝑥1 , se tiene:

𝐶𝑜𝑠𝑡𝑜 𝑟𝑒𝑑𝑢𝑐𝑖𝑑𝑜 1 3 1 3
= 4∗1+ − ∗ 𝑑2 + 𝑑3 + 2 ∗ 0 − 𝑑1 = 4 − 𝑑2 + 𝑑3 − 𝑑1
𝑑𝑒 𝑥1 4 2 4 2

La solución actual permanece óptima en tanto los costos reducidos

(coeficientes de la ecuación z) permanezcan no negativos (caso de
maximización).
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Por lo tanto se tienen las siguientes condiciones de optimalidad

simultáneas correspondientes a las 𝑥1 , 𝑠1 y 𝑠2 no básicas:

1 3
4 − 𝑑2 + 𝑑3 − 𝑑1 ≥ 0
4 2
1
1 + 𝑑2 ≥ 0
2

1 1
2 − 𝑑2 + 𝑑3 ≥ 0
4 2
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Considera que cambia z

𝑑𝑒: 𝑧 = 3𝑥1 + 2𝑥2 + 5𝑥3 a: 𝑧 = 2𝑥1 + 𝑥2 + 6𝑥3
Entonces:
𝑑1 = 2 − 3 = −$1 𝑑2 = 1 − 2 = −$1 𝑑3 = 6 − 5 = $1

Sustituyendo en las condiciones dadas:

1 3 1 3
4 − 𝑑2 + 𝑑3 − 𝑑1 = 4 + + + 1 = 6.75 > 0
4 2 4 2
1 1
1 + 𝑑2 = 1 − = 0.5 > 0
2 2
1 1 1 1
2 − 𝑑2 + 𝑑3 = 2 + + = 2.75 > 0
4 2 4 2
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Los resultados muestran que los cambios propuestos mantendrán la

solución actual 𝑥1 = 0, 𝑥2 = 100, 𝑥3 = 230, óptima (con un nuevo
valor de z = 1350 + 100d2 + 230d3 = 1350 + 100(-1) + 230(1) =
$1480). Si cualquier condición no se satisface, debe determinarse una
nueva solución.
La única diferencia en el caso de minimización es que los costos
reducidos (coeficientes de la ecuación z) deben ser ≤0 para mantener la
optimalidad.

Los intervalos de optimalidad que tienen que ver con los cambios de 𝑑𝑖
uno a la vez pueden desarrollarse a partir de las condiciones de
optimalidad simultáneas.
 ANÁLISIS DE SENSIBILIDAD
ALGEBRAICA

Por ejemplo; suponga que el coeficiente objetivo x2 sólo cambia a 2 +

d2, por lo que d1=d3=0. Las condiciones de optimalidad simultáneas se
reducen a:
1
4 − 𝑑2 ≥ 0 → 𝑑2 ≤ 16
4
1
1 + 𝑑2 ≥ 0 → 𝑑2 ≥ −2 → −2 ≤ 𝑑2 ≤ 8
2
1
2 − 𝑑2 ≥ 0 → 𝑑2 ≤ 8
4
Esto equivale a intervalos de ingresos totales. Es decir, en este caso, el
ingreso unitario total es de 2 + 𝑑2 , y su intervalo de optimalidad es
− 2 ≤ 𝑑2 ≤ 8, lo que implica:
$0 ≤ (𝑖𝑛𝑔𝑟𝑒𝑠𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 𝑑𝑒𝑙 𝑐𝑎𝑚𝑖ó𝑛) ≤ $10
 MÉTODO SIMPLEX REVISADO

La solución óptima de un programa lineal siempre está asociada con una

solución básica (factible). El método simplex busca pasar de una base
factible B a una base mejor (o no peor), Bsiguiente hasta que se alcance
la base óptima.
Los pasos iterativos del método simplex revisado son exactamente los
mismos que en el método de la tabla simplex, la diferencia principal es que
los cálculos en el método revisado se basan en manipulaciones de matriz
y no en operaciones de filas. Como la tabla simplex completa puede
calcularse a partir de los datos originales y la inversa actual, controlando la
precisión del cálculo de B-1 puede mitigarse el error de redondeo de
máquina. En el método de la tabla simplex, cuando se genera una nueva
tabla a partir de la inmediatamente precedente el error de redondeo se
propaga.
Ejemplo

DUAL
PRIMAL
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑧 = 2𝑥1 + 4𝑥2 + 4𝑥3 − 3𝑥4 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑤 = 4𝑦1 + 8𝑦2

sujeto a sujeto a
𝑦1 + 𝑦2 ≥ 2
𝑥1 + 𝑥2 + 𝑥3 ≤4
𝑦1 + 4𝑦2 ≥ 4
𝑥1 + 4𝑥2 + 𝑥4 ≤ 8
𝑦1 ≥4
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ≥ 0 𝑦2 ≥ −3
𝑦1 , 𝑦2 ≥ 0
 x1 x2 x3 x4 s1 s2
z 2 0 0 3 104 100 16
x3 0.8 0 1 -0.3 1 -0.3 2
x2 0.3 1 0 0.3 0 0.3 2

d1 d2 d3 d4 0 0
x1 x2 x3 x4 s1 s2
1 z 2 0 0 3 104 100 16
d3 x3 0.8 0 1 -0.3 1 -0.3 2
d2 x2 0.3 1 0 0.3 0 0.3 2
 d1 d2 d3 d4 0 0
x1 x2 x3 x4 s1 s2
1 z 2 0 0 3 104 100 16
d3 x3 0.8 0 1 -0.3 1 -0.3 2
d2 x2 0.3 1 0 0.3 0 0.3 2

1.- Determina las condiciones de optimalidad simultánea para las 3 variables.

Para x1 2 ∗ 1 + 0.8 ∗ 𝑑3 + 0.3 ∗ 𝑑2 − 𝑑1 ≥ 0 2 − 𝑑1 + 0.3𝑑2 + 0.8𝑑3 ≥ 0

Para x4 3 ∗ 1 − 0.3 ∗ 𝑑3 + 0.3 ∗ 𝑑2 − 𝑑4 ≥ 0 3 + 0.3𝑑2 − 0.3𝑑3 − 𝑑4 ≥ 0

Para s1 104 ∗ 1 + 𝑑3 ≥ 0 104 + 𝑑3 ≥ 0

Para s2 100 ∗ 1 − 0.3 ∗ 𝑑3 − 0.3 ∗ 𝑑2 ≥ 0 100 − 0.3𝑑2 − 0.3𝑑3 ≥ 0

Considera que cambia z
𝑑𝑒: 𝑧 = 2𝑥1 + 4𝑥2 + 4𝑥3 − 3𝑥4 a: 𝑧 = 4𝑥1 + 2𝑥2 + 3𝑥3 − 2𝑥4

2.- A partir del cambio considerado, determina si la solución óptima ha cambiado o no.

𝑑1 = 4 − 2 = 2 𝑑2 = 2 − 4 = −2 𝑑3 = 3 − 4 = −1 𝑑4 = −2 + 3 = 1
Sustituyendo se tiene:
2 − 𝑑1 + 0.3𝑑2 + 0.8𝑑3 ≥ 0 2 − 2 + 0.3(−2) + 0.8(−1) ≥ 0

3 + 0.3𝑑2 − 0.3𝑑3 − 𝑑4 ≥ 0 3 + 0.3(−2) − 0.3(−1) − 1 ≥ 0

104 + 𝑑3 ≥ 0 104 − 1 ≥ 0

100 − 0.3𝑑2 − 0.3𝑑3 ≥ 0 100 − 0.3(−2) − 0.3(−1) ≥ 0

Suponga que solo el coeficiente objetivo x1 cambia
3.- Determina el intervalo de optimalidad para x1.

2 − 𝑑1 + 0.3𝑑2 + 0.8𝑑3 ≥ 0 𝑑1 ≤ 2

3 + 0.3𝑑2 − 0.3𝑑3 − 𝑑4 ≥ 0

104 + 𝑑3 ≥ 0

100 − 0.3𝑑2 − 0.3𝑑3 ≥ 0

Esto equivale a intervalos de ingresos totales. Es decir, en este caso, el ingreso

unitario total es de 2 + 𝑑1 , y su intervalo de optimalidad es 𝑑1 ≤ 2, lo que implica:

𝑥1 ≤ 4