Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Y DUALIDAD
CAPITULO 6
ANALISIS DE SENSIBILIDAD Y
DUALIDAD
“La utilidad es
el pago que se
obtiene cuando
se aprovecha el
cambio”
OBJETIVOS:
1. Realizar un análisis de sensibilidad de los programas lineales formulados entre
cambios efectuaos en el momento, utilizando el tablero simplex
2. Formular y resolver de dual de un problema primal.
3. Evaluar la interpretación económica de las variable duales.
INTRODUCCION
En el capitulo anterior el análisis de sensibilidad se definió como el estudio de la forma en que
varia la solución optima y su valor en un programa lineal, cuando se hacen cambios en los diversos
coeficientes del problema. Se mostro como se realiza el análisis grafico para dos variables de
decisión, luego el análisis computacional para más de dos variable. En este capítulo se verá el
análisis de sensibilidad basada en la tabla simplex; asimismo se presenta la dualidad como reflejo
primal, es decir todo problema de programación lineal tiene un dual que posee una interpretación
económica.
El análisis de sensibilidad para programas lineales implica el cálculo de intervalos para los
coeficientes de la función objetivo y para los valores de los lados derechos, así como también de
los precios sombras y duales.
Cj
Cj Xk bk X1 X2 X3 X4 X5
40 X2 12 0 1 8/25 0 -3/25
0 X4 8 0 0 -8/25 1 3/25
X1 30 1 0 -5/25 0 5/25
Zj
Cj-zj
Como los elementos Cj-Zj de las variables básicas x1,x2, y x4 son ceros averiguaremos para
x3 y x5 para que siga siendo válido el resultado Cj-Zj para el valor de C1, luego:
Entonces: ……… ≤ C1 ≥ ………
Similarmente podemos realizar cálculos para el coeficiente C2
Cj
Cj Xk bk X1 X2 X3 X4 X5
X2 12 0 1 8/25 0 -3/25
0 X4 8 0 0 -8/25 1 3/25
50 X1 30 1 0 -5/25 0 5/25
Zj
Cj-zj
Como los elementos Cj-Zj de las variables básicas …………..son ceros averiguaremos para
………..para que siga siendo válido el resultado Cj-Zj para el valor de C2, luego:
Cj-zj
Cj-zj
Como era de esperar, la solución actual (x1=30, x2= 12, x4= 8, x5=0) ya no es óptima
por que el elemento de la columna de x5 es mayor que cero, esto implica que se debe iterar
nuevamente.
Para cualquier variable no básica: el límite superior del intervalo es la menor de las
cantidades más grandes que se obtengan, y su límite inferior es la mayor de las cifras menores
que se obtengan, es decir el cambio en el coeficiente de la función objetivo de una variable no
básica ocasiona que cambie solamente el elemento Cj-Zj de la tabla simplex final.
Así tenemos para el problema de IBM después de reemplazar 0, el coeficiente de x3 en
la función objetivo con el coeficiente Cx3
Cj 50 40 Cx3 0 0
Cj Xk bk X1 X2 X3 X4 X5
40 X2 12 0 1 8/25 0 -3/25
0 X4 8 0 0 -8/25 1 3/25
50 X1 30 1 0 -5/25 0 5/25
zj
Cj-zj
Cx3≤…….
Es decir, mientras el coeficiente de x3 en la función objetivo sea menor o igual que…..,
la solución seguirá siendo optima, y como no existe límite inferior para la magnitud, se escribe
…….≤Cx3≤…….
En general un problema de maximización todas las variables no básicas no tiene límite
inferior para el intervalo de optimidad y se cumple que:
-∞≤Cj≤ Zj
Los valores de Zj para las tres variables de holgura son 14/5, 0 y 26/5; por tanto, el precio
sombra para la restricción de tiempo de ensamble es 14/5=2.80, para los monitores de PC-2 es
0.00 y espacio para almacén es de 26/5 = 5.20; se observa que la obtención de más espacio de
almacén es la acción que tendría mayor impacto positivo sobre las utilidades de IBM. Por ejemplo,
si se considera la variable de holgura x4 una variable básica, en la expresión estandarizada se
tendría: x2+x4 =20
Algebraicamente x4 es la diferencia entre el número de unidades del monitor de PC-2
disponible y el número que realmente se utiliza en la solución óptima; como x4=8, habrá 8
unidades de monitores de PC-2 que no se utilizan.
Considérese las variables de holgura no básica, caso de x3, en tal sentido sigue siendo
optima siempre y cuando el coeficiente de x3 en la función objetivo (Cx3) permanezca dentro del
rango
-∞≤Cx3≤14/5. ∞: infinito
Intervalo de factibilidad.- intervalo de valores sobre los que puede variar una bi específica,
sin que ninguna de las variables básicas del momento se convierta en no factible (es decir, menor
que cero).
Ejemplo 2
Consideremos un aumento de tiempo de ensamble en el problema de IBM, de 150 a 160 horas.
Dado un precio sombra de $2.80 para la restricción de tiempo de ensamble, puede esperarse un
aumento de 10x2.80=28.0 en el valor de la función objetivo. A continuación se muestra la tabla
simplex que corresponde a un aumento de 10 horas en el tiempo de ensamble.
Cj 50 40 0 0 0
Cj xk Bk X1 X2 X3 X4 X5
40 X2 15.2 0 1 8/25 0 -3/25
0 X4 4.8 0 0 -8/25 1 3/25
50 X1 28.0 1 0 -5/25 0 5/25
zj 2008 50 40 14/5 0 26/5
Cj- O O -14/5 0 -26/5
zj
El cuadro nos muestra la misma base, es decir las variables básicas son x2, x4, y x1 cada una de
ellas son no negativas: x2=15.2, x4=4.8 y x1=28.0; nótese que la solución óptima ha aumentado
en 28 (de 1980 a 2008).
La pregunta es si fue necesario resolver el problema por completo para encontrar la nueva
solución, ¡la respuesta es no!, los únicos cambios en la tabla simplex final (en comparación al
cuadro simple final cuando b1=150) son las diferencias en los valores de las variables básicas y
el valor de la función objetivo. Es decir, solo ha cambiado la última columna de la tabla simplex.
Los elementos de esta nueva columna se obtuvieron simplemente sumando los 4 primeros
elementos de la columna x3, multiplicados por 10, a la última columna de la tabla anterior:
Solución anterior cambio en bi columna x3 solución nueva
12 ... .....
8 .... ......
30 .... ......
Solución nueva = + 10
1980 ..... .........
En general, dado un ∆b1, en b1, los nuevos valores de las variables básicas del problema de IBM
están dados por:
12 ... .....
8 .... ......
x2
x 30 .... ......
4 = + ∆b1 =
x1 1980 ..... .........
Mientras el nuevo valor de las variables básicas siga siendo no negativo, la base sigue siendo
factible y por lo tanto optima. Se puede decir que las variables básicas sigan siendo no negativas
limitando el cambio de b1 (es decir ∆b1), de manera que satisfaga cada una de las siguientes
ecuaciones.
Como se deben satisfacer las tres desigualdades, se debe también satisfacer los limites más
estrictos de b1, para que todas las variables básicas sigan siendo no negativas, luego
El tiempo inicial disponible de ensamble era de 150 horas; por ello b1= 150+∆b1, en donde b1 es
la cantidad de tiempo disponible de ensamble, sumando 150 a cada uno de los tres términos.
Este intervalo indica que mientras el tiempo disponible de ensamble se mantenga entre 112.5 y
175 horas, la base óptima en cuestión sigue siendo factible, llamándose a esta gama intervalo de
factibilidad.
Como el precio sombra b1, es 14/5, se sabe que puede aumentarse las utilidades en $2.80 por hora
adicional. Es decir el límite superior aumenta hasta 1980+2.80 (25)=$2050; y las utilidades
globales aumentaran en 2.80 (25)=$70.
En general para una restricción i el procedimiento para calcular el intervalo de factibilidad para
el lado derecho de cualquier restricción de menor que o igual a, se presenta como sigue:
b1
b a1 j 0
2 0
. a 2 j
. .
. +- ∆b1 ≥
. . .
. .
b m
a mj 0
b. DUALIDAD.
El dual es un problema de programación lineal que se obtiene matemáticamente de un modelo
primal de programación lineal dado. Los problemas dual y primal están relacionados a tal grado,
que la solución simplex optima de cualquiera de los dos problemas conduce en forma automática
a la solución optima del otro.
A cada problema de PL le corresponde otro problema de PL al que se denomina dual. Dado un
primal se resuelve el dual y se interpretan los resultados. Una propiedad fundamental de la
relación entre el primal y el dual es que la solución óptima del primal o del dual, también
proporciona la solución óptima para el otro. En casos de que los problemas primal o dual difieren
en análisis y calculo, se elije el más fácil de resolver, luego se procede a realizar las
interpretaciones económicas del caso.
X1
X
2
Max( Z ) C1 , C 2 .......... ....C n . C T X
.
X N
Xj ≥o; J=1,2,3………n
Igualmente la notación compacta del programa dual (D) puede ser expandida como sigue:
Y1
Y2
Min(W)= b1 , b2 .......... .......... .....bm . b t Y
.
Yn
Ejemplo 4
Min (W) = 15x1 + 12x2
Sujeto a :
X1+x2≥1.5
2x1+3x2 ≤ 5
Dual (D)
Programa dual tiene solución P y D tiene solución optima D tiene solución no optima
factible acotada
Programa Dual no tiene P tiene solución no acotada No se puede asegurar nada(¿)
solución factible
Ejemplo 5
Considere los siguientes pares de problemas primal y dual
PRIMAL DUAL
Min(W)=5x1 +2x2
Sujeto a: X1 – x2 ≥ 3
2x1 + 3x2 ≥ 5
X1, x2 ≥0
Solución factible .
Ejemplo 6
Volvamos a recordar el problema 4.10.1 de IBM, donde el primal es la expresión
siguiente:
Max (z) = 50x1+40x2
Sujeto a:
3x1+5x2 ≤ 150
X2≤ 20
8x1+ 5x2 ≤ 300
X1, x2 ≥0
El dual del modelo utilizando el procedimiento de transformación descrito arriba será:
Estandarizar y resolver por el método simplex.
Propiedad -1
Si el problema primal tiene una solución óptima, el problema dual tiene también una solución
óptima, y viceversa, y además, los valores de la solución óptima para el primal y el dual son
iguales. En el caso del problema de IBM se ha verificado esta propiedad donde el primal y el
dual son 1980.