MODELO DUAL

Uno de los descubrimientos más importantes durante el desarrollo inicial de la

programación lineal fue el concepto de dualidad y sus importantes ramificaciones. Este
descubrimiento reveló que, asociado a todo problema de programación lineal, existe otro
problema lineal llamado dual.

El problema dual se define sistemáticamente a partir del modelo de PL primal (u original).

Los dos problemas están estrechamente relacionados en el sentido de que la solución
óptima de uno proporciona automáticamente la solución óptima al otro.

Modelo primal Modelo Dual

𝑀𝑎𝑥 𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛 𝑀𝑖𝑛 𝑤 = 𝑏1 𝑦1 + 𝑏2 𝑦2 + ⋯ + 𝑏𝑚 𝑦𝑚

s.a. s.a.

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1 𝑎11 𝑦1 + 𝑎21 𝑦2 + ⋯ + 𝑎𝑚1 𝑦𝑚 ≥ 𝑐1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 ≤ 𝑏2 𝑎12 𝑦1 + 𝑎22 𝑦2 + ⋯ + 𝑎𝑚2 𝑦𝑚 ≥ 𝑐2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 ≤ 𝑏𝑚 𝑎1𝑛 𝑦1 + 𝑎2𝑛 𝑦2 + ⋯ + 𝑎𝑚𝑛 𝑦𝑚 ≥ 𝑐𝑛

NN 𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0 NN 𝑦1 , 𝑦2 , … , 𝑦𝑚 ≥ 0

Para construir el modelo dual a partir del modelo primal se debe:

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 cada variable
primal definen respectivamente los lados izquierdo y derecho de cada restricción
dual.
4. Los coeficientes objetivo duales son iguales a los lados derechos de las ecuaciones
de restricción primales.
5. Las reglas que aparecen en el modelo normal, rigen el sentido o criterio de
optimización y la dirección de las desigualdades.

Para obtener el modelo dual, se debe normalizar el modelo primal:

Modelo normal

Max Z o Min Z
≤ ≥
≤ ≥
Si
≤ (-1) ⟶ ≥

8 ≤ 10 (-1)

-8 ≥ -10

Si
= ≤ (-1)
≥

Una aplicación importante de la teoría de la dualidad es que puede resolverse el problema

dual directamente con el método simplex, a fin de identificar una solución óptima para el
problema primal. El número de restricciones funcionales afecta mucho más el esfuerzo
computacional del método simplex que el número de variables.

Desde distintos puntos de vista las relaciones entre el problema dual y el primal son muy
útiles. Por ejemplo, se verá que, en realidad, la solución óptima del problema dual es la
que proporciona los precios sombra y los costos reducidos.

Precio sombra: Es el valor en que cambia la función objetivo (Z) por cada unidad
de recurso (bj) modificado dentro del intervalo de sensibilidad. Es el precio máximo
que se debería pagar por una unidad extra de un determinado recurso.

Costo reducido: Es el valor que habría que modificar al precio (o la contribución

marginal) de una variable no básica para que sea básica.

Interpretación económica de la dualidad

Cada biyi puede interpretarse como la contribución a la ganancia por disponer de bi
unidades del recurso i en el problema primal. Así, la variable yi se interpreta como la
contribución a la ganancia por unidad del recurso i cuando se usa el conjunto actual de
variables básicas para obtener la solución primal. En otras palabras, los valores de yi en la
solución óptima no son otra cosa que los precios sombra.

Una de las aplicaciones más importantes de la teoría de la dualidad es la interpretación y

realización del análisis de sensibilidad. El análisis de sensibilidad es una parte esencial de
casi todos los estudios de programación lineal, debido a que la mayoría de los valores de
los parámetros que se emplean en el modelo original son sólo estimaciones de las
condiciones futuras, es necesario investigar el efecto que tendrían sobre la solución
óptima en caso de que prevalecieran otras condiciones.