República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica
De la Fuerza Armada Nacional
Núcleo - Amazonas

“Método Simplex Dual”

Facilitador: Participantes:
Miguel Guapez Alexander Alvarez C.I: 28.612.517
Alfonso Querales C.I: 30.493.114
Asignatura: Glaver Mora C.I: 29.508.180
Investigación de Operaciones José Sevilla C.I: 30.690.768
José Villanero C.I: 27.534.207

Carrera:
Ingeniería de Sistemas
5to Semestre

Puerto Ayacucho, abril del 2023

 ÍNDICE

INTRODUCCIÓN ...................................................................................................... 1
Método Simplex Dual ............................................................................................... 2
Problema dual y relaciones entre los problemas primal y dual ................................ 3
Análisis de sensibilidad............................................................................................. 4
Variaciones de los coeficientes ................................................................................. 5
Programación paramétrica ........................................................................................ 7
CONCLUSIÓN ........................................................................................................... 9
 INTRODUCCIÓN

En el campo de la optimización matemática, el Método Simplex dual es una

técnica fundamental para la resolución de problemas de la programación lineal. Este
método se basa en la formulación de un problema dual, que se relaciona estrechamente
con el problema primal original. Por lo tanto, a continuación, se explorarán las
relaciones entre los problemas primal y dual, y se analizarán las implicaciones de
resolver uno u otro problema. Además, se abordará el análisis de sensibilidad, una
técnica que permite evaluar cómo varía la solución óptima de un problema de
programación lineal ante cambios en los coeficientes de la función objetivo, las
constantes, las restricciones o los elementos de la matriz de los coeficientes de las
restricciones. Esta técnica resulta de gran utilidad para la toma de decisiones en
situaciones donde los parámetros del problema pueden variar. Para terminar, se
esclarecerá acerca de la programación paramétrica, una técnica que permite obtener los
valores críticos de los parámetros del problema de programación lineal; por lo que, la
programación paramétrica proporciona información valiosa sobre cómo varía la
solución óptima del problema a medida que se varían los parámetros, lo que resulta de
gran utilidad en la toma de decisiones en situaciones dinámicas y cambiantes; es por
eso que se presentarán las principales técnicas de programación paramétrica y se
analizarán sus aplicaciones prácticas.

1
 Método Simplex Dual

El método Simplex dual es una variante del método Simplex para resolver
problemas de programación lineal en los que se busca maximizar o minimizar una
función lineal sujeta a restricciones lineales. A diferencia del método Simplex
tradicional, que comienza con una solución factible y se mueve a través de soluciones
adyacentes hasta encontrar la solución óptima, el método Simplex dual comienza con
una solución dual factible y busca mejorarla a través de soluciones adyacentes hasta
encontrar la solución óptima. Por lo tanto, la solución dual se obtiene a partir de la
forma estándar del problema de programación lineal, que se presenta como:

Maximizar cT x
Sujeto a Ax <= b
X >= 0

La solución dual se obtiene al invertir los roles de las variables y las

restricciones, y se presenta de la siguiente forma:

Minimizar bT y
Sujeto a AT y >= c
Y >= 0

El método Simplex dual comienza con una solución dual factible y se mueve a
través de soluciones adyacentes cambiando los valores de las variables duales hasta
encontrar la solución óptima, por lo que, el proceso se repite hasta que se alcanza la
solución óptima. En otras palabras, el método Simplex dual es una variante del método
Simplex que se utiliza para resolver problemas de programación lineal y busca mejorar
una solución dual factible a través de soluciones adyacentes hasta encontrar la solución
óptima.

2
 Problema dual y relaciones entre los problemas primal y dual

En la programación lineal, todo problema primal tiene un problema dual

asociado, y ambos problemas están estrechamente relacionados. El problema dual
proporciona información adicional sobre el problema primal, y puede ser útil para
entender mejor las soluciones y las características del problema original. Por lo tanto,
el problema dual se obtiene a partir del problema primal al invertir los roles de las
variables y las restricciones. Si el problema primal es de maximización, entonces el
problema dual es de minimización, y viceversa. La formulación general del problema
dual es:

Minimizar dT y
Sujeto a AT y >= c
Y >=0

Donde “d” es el vector de los coeficientes de la función objetivo del problema

primal, “A” es la matriz de los coeficientes de las restricciones del problema primal,
“c” es el vector de los términos constantes de las restricciones del problema primal, y
“y” es el vector de las variables duales. La solución óptima del problema dual
proporciona una cota inferior para la solución óptima del problema primal, y se cumple
que la solución óptima del problema dual es igual a la solución óptima del problema
primal, siempre y cuando se satisfagan las condiciones de dualidad. Por lo que, las
condiciones de dualidad establecen que la solución óptima del problema primal y la
solución óptima del problema dual están relacionadas de la siguiente manera:

1. Si x es una solución factible del problema primal y “y” es una solución factible del
problema dual, entonces cT x <= dT y.

2. Si el problema primal es factible, entonces el problema dual es factible.

3
3. Si el problema primal no es acotado superiormente, entonces el problema dual no
es factible.

4. Si el problema dual no es acotado inferiormente, entonces el problema primal no

es factible.

Se puede decir que el problema dual es una herramienta importante en la

programación lineal, ya que proporciona información adicional sobre el problema
primal y puede ser útil para entender mejor las soluciones y las características del
problema original. Las condiciones de dualidad establecen una relación fundamental
entre el problema primal y el problema dual, y se utilizan para verificar la corrección
de las soluciones y para optimizar los problemas de programación lineal.

Análisis de sensibilidad

El análisis de sensibilidad es una técnica utilizada en la programación lineal

para evaluar los efectos de los cambios en los parámetros del modelo en la solución
óptima del problema. Por lo tanto, el análisis de sensibilidad ayuda a comprender cómo
cambiarían las soluciones óptimas si se modifican los valores de las variables del
modelo, los coeficientes de las restricciones, o el valor de la función objetivo. Existen
varios tipos de análisis de sensibilidad en la programación lineal, los cuales son:

➢ Análisis de rango: Se utiliza para determinar el rango de valores que pueden tomar
los coeficientes de una restricción sin afectar la solución óptima del problema. El
análisis de rango se realiza calculando los valores críticos para los coeficientes de
las restricciones, que son los valores límite a partir de los cuales una restricción
pasa de ser activa a inactiva o viceversa.

4
➢ Análisis de sensibilidad de costo reducido: Se utiliza para determinar cuánto
cambiaría la función objetivo si se modifica el valor de un coeficiente de una
variable. El costo reducido de una variable es el cambio en la función objetivo que
se produciría si se aumenta en una unidad el valor de la variable.

➢ Análisis de sombra de la restricción: Se utiliza para determinar cuánto cambiaría la

solución óptima si se modifica el valor de un coeficiente de una restricción. La
sombra de una restricción es el cambio en el valor de la función objetivo que se
produciría si se aumenta en una unidad el valor de la restricción.

➢ Análisis de sensibilidad de la solución: Se utiliza para determinar cómo cambiaría

la solución óptima si se cambia el valor de la función objetivo. El análisis de
sensibilidad de la solución se realiza modificando el valor de la función objetivo y
resolviendo el problema para ver cómo cambian las variables y la solución óptima.

En otras palabras, el análisis de sensibilidad es una técnica importante en la

programación lineal, que se utiliza para evaluar los efectos de los cambios en los
parámetros del modelo en la solución óptima del problema. El análisis de sensibilidad
ayuda a comprender cómo cambiarían las soluciones óptimas si se modifican los
valores de las variables del modelo, los coeficientes de las restricciones, o el valor de
la función objetivo.

Variaciones de los coeficientes de la función objetiva, de las constantes, de

las restricciones y de elementos de la matriz de los coeficientes de las
restricciones

En la programación lineal, las variaciones en los coeficientes de la función, las

constantes, las restricciones y los elementos de la matriz de coeficientes de las

5
restricciones pueden tener un impacto significativo en la solución óptima del problema.
Algunas de las variaciones más comunes y con efecto en la solución óptima son:

• Variaciones en los coeficientes de la función objetivo: Una variación en los

coeficientes de la función objetivo puede cambiar el valor de la solución óptima del
problema. Si el coeficiente de una variable de decisión en la función objetivo
aumenta, entonces la solución óptima generalmente disminuirá, y viceversa.

• Variaciones en las constantes: Una variación en las constantes de las restricciones

puede cambiar la factibilidad y la solución óptima del problema. Si una constante
en una restricción disminuye, entonces la restricción se vuelve menos restrictiva y
la solución óptima puede cambiar. Si una constante aumenta, entonces la restricción
se vuelve más restrictiva y la factibilidad del problema puede verse afectada.

• Variaciones en las restricciones: Una variación en las restricciones puede cambiar

la factibilidad y la solución óptima del problema. Si se agrega una restricción al
problema, entonces la factibilidad puede disminuir y la solución óptima puede
cambiar. Si se elimina una restricción, entonces la factibilidad puede aumentar y la
solución óptima puede permanecer igual o cambiar.

• Variaciones en los elementos de la matriz de coeficientes de las restricciones: Una

variación en los elementos de la matriz de coeficientes de las restricciones puede
cambiar la relación entre las variables de decisión y las restricciones, y afectar la
solución óptima del problema. Si un coeficiente en la matriz de coeficientes de las
restricciones aumenta, entonces la restricción se vuelve más restrictiva, y la
solución óptima puede cambiar. Si un coeficiente disminuye, entonces la
restricción se vuelve menos restrictiva, y la solución óptima puede permanecer
igual o cambiar.

6
 En conclusión, las variaciones en los coeficientes de la función objetivo, las
constantes, las restricciones y los elementos de la matriz de coeficientes de las
restricciones pueden tener un impacto significativo en la solución óptima del problema
de programación lineal. Es importante realizar análisis de sensibilidad para evaluar el
impacto de estas variaciones en la solución óptima y tomar decisiones informadas en
la gestión de los problemas de programación lineal.

Programación paramétrica

La programación paramétrica es un enfoque de optimización que implica la

búsqueda de valores críticos de una función objetivo en función de parámetros
específicos. La obtención de los valores críticos implica la identificación de los
valores de los parámetros que maximizan o minimizan la función objetivo. Existen
diferentes métodos para obtener los valores críticos en programación paramétrica,
algunos de los cuales se describen a continuación:

1. Análisis gráfico: Este enfoque implica trazar la función objetivo en un gráfico en

función de los parámetros y examinar visualmente los valores críticos. Se pueden
utilizar herramientas de software como Mathematica o MATLAB para facilitar
este proceso.

2. Cálculo analítico: Para funciones matemáticas simples, es posible utilizar el

cálculo diferencial para encontrar los valores críticos analíticamente. Esto implica
calcular la derivada de la función objetivo con respecto a los parámetros y luego
resolver la ecuación resultante para determinar los valores críticos.

3. Métodos numéricos: Para funciones más complejas o cuando el cálculo analítico

no es posible, se pueden utilizar métodos numéricos como el método de Newton-

7
 Raphson o el método de gradiente descendente para encontrar los valores críticos.
Estos métodos implican iterativamente ajustar los valores de los parámetros hasta
que se alcanza un mínimo o máximo local de la función objetivo.

En resumen, la obtención de los valores críticos en programación paramétrica

puede implicar análisis gráfico, cálculo analítico o métodos numéricos, dependiendo
de la complejidad de la función objetivo y los parámetros.

8
 CONCLUSIÓN

Después de haber analizado los temas planteados se puede concluir que se ha

explorado algunos de los conceptos fundamentales de la optimización matemática,
centrándose en el Método Simplex dual, el análisis de sensibilidad y la programación
paramétrica. Estas técnicas son de gran utilidad en la resolución de problemas de
programación lineal, ya que permiten obtener información valiosa sobre cómo varía la
solución óptima ante cambios en los parámetros del problema. En particular, se ha visto
cómo el Método Simplex dual se basa en la formulación de un problema dual, que se
relaciona estrechamente con el problema primal original. Asimismo, el análisis de
sensibilidad nos permite evaluar cómo varía la solución óptima ante cambios en los
parámetros del problema, lo que resulta de gran utilidad para la toma de decisiones en
situaciones cambiantes. Además, la programación paramétrica nos permite obtener
información sobre cómo varía la solución óptima ante cambios en los parámetros del
problema, lo que resulta de gran utilidad para la toma de decisiones en situaciones
dinámicas y cambiantes. En resumen, estas técnicas son esenciales para la resolución
de problemas de optimización matemática en una amplia variedad de campos, desde la
ingeniería y la economía hasta la logística y la planificación de recursos; es por eso que
su aplicación adecuada puede conducir a decisiones más informadas y eficientes, y en
última instancia, a mejores resultados.