TEMA: ANALISIS DE SENSIBILIDAD

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.

a. ANALISIS DE SENSIBILIDAD BASADA EN EL SIMPLEX.

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.

i. Coeficientes de la función objetivo.

El análisis de sensibilidad de los coeficientes de la función objetivo implica determinar un margen
para los valores de los coeficientes. A esta gama de cálculo se le denomina intervalo de optimidad,
mientras el valor real del coeficiente de la función objetivo se mantenga dentro del citado margen
de optimidad la solución básica factible seguirá siendo optima.
Al evaluar el intervalo de optimidad para un coeficiente de la función objetivo, se supone que
todos los demás coeficientes del problema conservan sus valores originales, es decir solo se
permite que cambie un coeficiente a la vez.
Ejemplo 1
Recordemos el problema propuesto 4.10.1 de la empresa IBM que ensambla computadoras PC_1
y PC-2 cuya ecuación matemática es:
Max (z)=50x1 +40x2
Sujeto a:
3x1 + 5x2 ≤ 150 tiempo de ensamble
X2 ≤ 20 monitores para la PC-2
8x1+ 5x2 ≤ 300 espacio de almacén
X1, x2 ≥ 0
Sea: x1 = n de unidades de PC-1
X2= n de unidades de PC-2
Resolviendo por el método simple modificado de la forma tabular. El tablón simplex final
para el problema de IBM es:
Cj 50 40 0 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 1980 50 40 14/5 0 26/5
 Cj- O O -14/5 0 -26/5
zj

Del cuadro se concluye que el intervalo de optimidad para un coeficiente de la función

objetivo se determina mediante los valores de los coeficientes que conservan.
Cj-Zj≤0
En el caso del problema se aprecia que todos los valores de Cj-Zj son ceros o negativos por
lo que se reconoce una solución optima. Para analizar la forma en que se determina el
intervalo de optimidad, se calcula el intervalo de optimidad para C1. Utilizando C1 (en vez
de 50) como coeficiente de X1, en la función objetivo, tabla simplex modificada será:

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:

Entonces: ……… ≤ C2 ≥ ………

Supongamos que un aumento en los costos de los materiales reduce a $30 la contribución
unitaria de las utilidades para PC-1, entonces el intervalo de optimidad nos lleva a la solución
siguiente:
X1=30 X2=12
X3=0 X4=8
Luego el cuadro final del simplex con C1 reducida a 30, será:
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

La disminución en la contribución a las utilidades totales de PC-1 ha ocasionado una

reducción de 1980 a ………….
Si se redujera C1, aún más la contribución unitaria a las utilidades, por ejemplo a $20
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 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

Con los cambios dados en la tabla anterior en la columna de x3, se obtiene

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

ii. valores de los lados derechos

en problemas de programación lineal pueden interpretarse los valores de los lados
derechos (las bi) como los recursos disponibles. En el caso del problema de IBM la
restricción 1 representa el tiempo de ensamble.
 Lado derecho b1, representa el tiempo disponible.
 Lado derecho b2, representa el número de monitores disponibles de PC-2.
 Lado derecho b3, representa el espacio de almacén disponible.
Los precios sombra ofrecen información sobre el valor de los recursos adicionales, los
intervalos correspondientes a los valores de los lados derecho determinan los márgenes
dentro de la cuales esos precios sombra son válidos.
Precios sombra.- cambios en el valor de la función objetivo por los aumentos unitarios
en los valores del lado derecho de las restricciones.
El precio dual.- proporciona la mejora que se obtiene en la función objetivo por cada
aumento unitario en el lado derecho.
En problemas de maximización, los precios sombra y los precios duales son los mismo,
en los casos de minimización, el precio dual es el negativo del precio sombra.
Del cuadro simplex final para el problema de IBM observamos:
Cj 50 40 0 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 1980 50 40 14/5 0 26/5
Cj- O O -14/5 0 -26/5
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:

Solución anterior cambio en bi columna x3 solución nueva

 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.

Despejando las desigualdades se obtiene:

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.

Reemplazando 150 +∆b1, por b1 se obtiene el intervalo de factibilidad para b1.

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
 

Solución actual (Última Columna de la tabla simplex final

columna de la Tabla que corresponde a la variable de
simplex) holgura asociada a la restricción i

iii. cambios simultáneos.

En ocasiones se pueden realizar cambios simultáneos de más de dos coeficientes de la función
objetivo, o dos o más del lado derecho. Estos mismos enfoques son aplicables cuando los cambios
simultáneos satisfacen la regla del 100% explicado en el capítulo 5. Se denomina aumento
permisible a la cantidad en que se puede aumentarse un coeficiente antes de que llegue al límite
superior de su intervalo y se llamara disminución permisible a la cantidad en que pueda disminuir
un coeficiente antes de que llegue al límite inferior de su intervalo. Si la suma de los porcentajes
para todos los cambios no excede a 100% se dice que satisface la “regla del 100%” y que los
cambios simultáneos no van a ocasionar variación en la solución óptima.

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.

i. Formulación del dual a partir del primal

Si tenemos el programa lineal primal (P) en forma canoníca, entonces el programa lineal dual (D)
representamos como:
 Max( Z )  C t X .......... .........(1) 
 
sujeto.a : A X  b.......... ......( 2) 
Primal (P)  
 X  0.......... .......... .......... ....( 3(

Min( Z )  b t Y .......... .........( 4) 

 
sujeto.a : A Y  Ci.......... ......( 5)
t
Dual (D) 
Y  0.......... .......... .......... ....( 6) 
 

De las restricciones formuladas, podemos observar:

C: vector columna de n componentes
B: vector columna de m componentes

A: matriz de orden mxn, A t es la transpuesta de A

X: vector de n componentes, cuyos valores deben ser hallados para maximizar la función Z sujeta
a las restricciones (2) y (3).
Y: vector de m componentes, cuyos valores deben ser hallados para minimizar la función W sujeta
a las restricciones (5) y (6).
La notación compacta del programa primal (P) puede ser expandida como sigue:

X1 
X 
 2
Max( Z )  C1 , C 2 .......... ....C n .   C T X
 
. 
X N 
 

a11a12 .......... .....a1n   X 1  b1 

a a .......... ....a    b 
 21 22 2n  X 2   2 
.  .  . 
Sujeto a:    b
 .  .  . 
.    . 
  .   
a m1 a m 2 .......... .....a mn   X  bm 
 n
X ≥o; J=1,2,3………n
Realizando las operaciones matriciales obtenemos lo siguiente:
Z=C1X1+C2X2+……………+CnXn
Sujeto a:

a11 X 1  a12 X 2  .......... ........  a1n X n  b1

a 21 X 1  a 22 X 2  .......... ........  a 2 n X n  b2
.......... .......... .......... .......... .......... .......... .......
a m1 X 1  a m 2 X 2  .......... ........  a mn X n  bm

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 
 

a11 a12 .......... .....a1n  Y1  C1 

a a .......... ....a    C 
 21 22 2n  Y2   2 
.  .  . 
Sujeto a :    C
 .  .  . 
.    . 
  .   
 m1 m 2
a a .......... ..... a  Y  C m 
mn 
 n
Yi≥O ; i= 1,2,……….m
REALIZANDO OPERACIONES MATRICIALES
Min(W)=b1Y1+b2Y2+………………………………………..bmYn
Sujeto a : a11Y1+a21Y2+ ……………………….am1yn≥C1
a12Y1+a22Y2+ ………………………..am2Yn≥C2
………………………………………………………………………
a1nY1+a2nY2+…………………………..amnYn ≥ Cn
Yi≥0; i=1,2,……..m
Ejemplo 3
 Dado el programa lineal primal, hallar el dual
Max (Z)=5x1 + 12x2 + 4x3
Sujeto a:
X1 +2x2+x3 ≤ 10
2x1 – x2 + 3x3 = 8
X1, x2, x3 ≥0

Ejemplo 4
Min (W) = 15x1 + 12x2
Sujeto a :
X1+x2≥1.5
2x1+3x2 ≤ 5

ii. solución del problema dual

La tabla simplex final u óptimo asociada en un problema (primal o dual) proporciona directamente
información completa sobre la solución óptima del otro problema.
El sentido de la optimización, el tipo de restricciones y el signo de las variables duales, nos
recuerda una vez más que la forma primal estándar exige que todas las restricciones sean
ecuaciones (con segundo miembro no negativo si se usa el método simplex primal para resolver
el problema primal) y que todas las variables sean no negativas.
Función objetivo Dual
Estándar del primal Función objetivo restricciones Variables
Maximización Minimización ≥ Irrestrictas
Minimización Maximización ≤ Irrestrictas
 Relaciones de existencias entre Primal y Dual

Programa primal tiene Programa primal no tiene

Solución factible solución factible
Primal (P)

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

iii. relación entre los valores objetivos primal y dual

Los valores objetivos en un par de problemas primal-dual deben satisfacer las siguientes
relaciones:
1. en cualquier par de solución primal y dual factible

Valor objetivo en el problema de maximización ≤ valor objetivo en el problema de

minimización.

2. En la solución optima de ambos problemas:

Valor objetivo en el problema de maximización = valor objetivo en el problema de

minimización

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 .

Valor de la función objetivo

Valor de la maximización ≤ valor de la minimización

14≤15
Como el intervalo de 14 y 15 es relativamente estrecho, podemos considerar las dos soluciones
factibles anteriores como casi optimas si fueran exactamente iguales, las soluciones
correspondientes son óptimas.

iv. procedimiento de transformación de primal a dual (caso de maximización)

1. el dual de una maximización es una minimización.

2. Todas las restricciones del dual son mayor o igual que
3. Cuando el primal tiene n variables, el dual tendrá n restricciones.
4. Cuando el primal tiene n restricciones, el dual tendrá m variables.
5. Los valores del lado derecho de las restricciones del primal se convierten en los lados
derechos de las restricciones del dual.
6. Los coeficientes de la función objetivos del primal se convierten en los lados derechos de
las restricciones del dual.
7. Los coeficientes de las restricciones para la i-enésima variable del primal se convierte en
los coeficientes de la i-enésima restricción del dual.
8. Tanto el primal como el dual tienen restricciones de no negatividad para las variables.

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.

c. interpretación económica de las variables duales.

En el capitulo anterior se había establecido que los precios duales representan el valor por
unidad de los recursos del programa lineal, por otra parte los costos reducidos representan el
incremento en la ganancia marginal o el decremento en el costo por unidad de recursos,
necesario para hacer una actividad (variable) de programa lineal apenas provechosa.
a. Proporciona un entendimiento fundamental del modelo del programa lineal como un
sistema económico entrada-salida
b. Permite una implementación eficiente del análisis de sensibilidad o posoptimo.
Sin embargo, no existe o aún no se conoce una interpretación económica satisfactoria de
la dualidad, por lo que nos limitaremos a formular una interpretación cualitativa con el
siguiente ejemplo.