4.

3 INTERPRETACION ECONOMICA DE LA DUALIDAD El problema de programacin lineal se puede considerar como modelo de asignacin o o de recursos, en el que el objetivo es maximizar los ingresos o las utilidades, sujetos a recursos limitados. Si se aprecia el problema desde este punto de vista, el problema dual asociado ofrece interpretaciones econmicas interesantes del modelo de programacin o o lineal de asignacin de recursos. o Para formalizar la descripcin se considerar la siguiente representacin de los probo a o lemas generales primal y dual, en donde el primal asume el papel de un modelo de asignacin de recursos: o Primal Maximizar z = sujeta a
n j=1 n j=1 cj xj

Dual Minimizar w = sujeta a

m i=1 m i=1 bi yi

aij xj bi , 1 = 1, 2, . . . , m

aij yi cj , 1 = 1, 2, . . . , n

xj 0, j = 1, 2, . . . , n

yi 0, i = 1, 2, . . . , m

Desde el punto de vista de modelo de asignacin de recursos, el problema primal o tiene n actividades econmicas y m recursos. El coeciente cj del primal representa la o utilidad por unidad de actividad j. El recurso i, cuya disponibilidad mxima es bi , se a consume con la tasa de aij unidades por unidad de actividad j. 4.3.1 Interpretacin econmica de variables duales o o En la seccin 4.2.5 se indic que para dos soluciones factibles primal y dual cualquiera, o o los valores de las funciones objetivo, cuando son nitos, deben satisfacer la siguiente desigualdad:
n m

z=
j=1

cj xj
i=1

bi yi = w

La igualdad estricta, z = w, es vlida cuando las soluciones primal y dual son ptimas a o ambas. Examinemos primero la condicin ptima z = w. Como el problema primal repo o 1

resenta un modelo de asignacin de recursos, se puede imaginar que z representa la o utilidad monetaria. Como bi representa la cantidad disponible de unidades del recurso i, la ecuacin z = w se puede expresar en forma dimensional como sigue: o $=
i (unidades

del recurso i) ($ por unidad del recurso i)

Eso quiere decir que las variables duales yi representan el valor por unidad del recurso i. (En la seccin 2.3.3 se obtuvo esta misma interpretacin, por v grca, sin usar la o o a a dualidad.) En las publicaciones, las variables yi se conocen con el nombre abstracto de precios duales. Otros nombres (que de igual manera no sugieren nada) son precios sombra y multiplicadores s mplex. Con la misma lgica, la desigualdad z < w o asociada con dos soluciones asociadas, primal y dual, se interpreta como sigue: (Utilidad) < (Valor de los recursos) Segn esta relacin, siempre que los ingresos totales por todas las actividades sean u o menores que el valor de los recursos, las soluciones primal y dual correspondientes no son ptimas. La optimalidad (retorno mximo) slo se alcanza cuando se han explotado o a o los recursos por completo, lo que slo puede suceder cuando los datos (valor de los reo cursos) son iguales a los resultados ($ de utilidad). En trminos econmicos se dice que e o el sistema permanece inestable (no ptimo) cuando los datos (valor de los recursos) son o mayores que el resultado (retorno o ingreso). La estabilidad slo se obtiene cuando las o dos cantidades son iguales. Ejemplo 4.3-1 El modelo de Reddy Mikks (ejemplo 2.1-1) y su dual son los siguientes: Primal de Ready Mikks Maximizar z = 5x1 + 4x2 sujeta a 6x1 + 4x2 24 (recurso 1, M 1) x1 + 2x2 6 (recurso 2, M 2) x1 + x2 1 (recurso 3) x2 2 (recurso 4) xk 0, k Solucin ptima: o o x1 = 3, x2 = 1.5, z = 21 Dual de Ready Mikks Minimizar w = 24x1 + 6y2 + y3 + 2y4 sujeta a 6y1 + y2 y3 5 4y1 + 2y2 + y3 + y4 4 yk 0, k

Solucin ptima: o o y1 = 0.75, y2 = 0.5, y3 = y4 = 0, w = 21 2

En resumen, el modelo de Reddy Mikks maneja la produccin de dos clases de pintura o (para exteriores y para interiores) usando dos materias primas, M 1 y M 2 (recursos 1 y 2) y sujeta a las condiciones del mercado representadas por las restricciones tercera y cuarta. El modelo busca determinar las toneladas de pinturas para exteriores y para interiores que maximicen la utilidad (expresada en miles de dlares). o La solucin dual ptima indica que el valor por unidad de la materia prima M1 o o (recurso 1) es y1 = 0.75 (o sea, $750 por tonelada), y por unidad de materia prima M 2 (recurso 2) es y2 = 0.5 (es decir, $500 por tonelada). En la seccin 2.3.3 mostramos o en forma grca que esos mismos resultados son vlidos para los intervalos (20, 36) y a a (4, 6.67), para los recursos 1 y 2, respectivamente (esos intervalos tambin se deducirn e a en forma algebraica en la seccin 4.5.1). As la materia prima M 1 se puede aumentar o , desde su consumo actual de 24 toneladas, hasta un mximo de 36 toneladas, con un a aumento correspondiente en la utilidad de 12 $750 = $9000. De igual forma, el l mite para la materia prima M 2 puede aumentarse desde 6 toneladas hasta un mximo de a 6.67 toneladas, con un aumento correspondiente en la utilidad de 0.67 $500 = $335. Se pueden mostrar interpretaciones parecidas si bajan las cantidades de materia prima respecto a los niveles actuales, pero dentro de los intervalos de aplicabilidad indicados. La explicacin no quiere decir que los recursos mencionados no se puedan cambiar a o valores fuera de los intervalos citados. Slo indica que la utilidad por unidad, para cada o recurso, slo se aplica dentro de los mrgenes especicados. o a Para los recursos 3 y 4, que representan los requerimientos del mercado, los precios duales (ambos valores duales ptimos) son cero, lo que indica que sus recursos asociados o son abundantes. De aqu que su valor por unidad es cero. 4.3.2 Interpretacin econmica de restricciones duales o o Se pueden interpretar las restricciones duales, usando la frmula 2 de la seccin 4.2.4, o o que indica que en cualquier iteracin primal o (Coeciente objetivo de xj ) =
m i=1

aij yi cj

De nuevo se aplicar el anlisis dimensional para interpretar esta ecuacin. La utilidad a a o cj por unidad de actividad j est en $ por unidad. En consecuencia, para tener cona m sistencia, la cantidad i=1 aij yi tambin debe estar en $ por unidad. Adems, como e a cj representa una utilidad, la cantidad m aij yi , que aparece en la ecuacin con signo o i=1 contrario, debe representar un costo. Al mismo tiempo, como aij es la cantidad del 3

recurso i que usa la actividad j, las variables duales yi deben representar al costo imputado por unidad de recurso i y se puede considerar que la cantidad m aij yi es el i=1 costo imputado de todos los recursos necesarios para producir una unidad de actividad j. La condicin de optimalidad de maximizacin del mtodo s o o e mplex indica que un aumento en la cantidad de una actividad, j no usada (no bsica) puede mejorar la utilidad a m slo en caso de que su coeciente objetivo ( i=1 aij yi cj ) sea negativo. En funcin de o o la interpretacin anterior, esta condicin establece que o o Costo imputado de recursos por unidad < Utilidad por unidad de actividad j de actividad j As la condicin de optimalidad de maximizacin indica que es econmicamente , o o o bueno aumentar una actividad a un valor positivo si su utilidad unitaria es mayor que su costo imputado unitario. Para que el lector se familiarice con la notacin normal que se usa en las publio caciones presentaremos la denicin que representa el costo imputado de los recursos o usados, por unidad de actividad j. La notacin (zj cj ) es el coeciente objetivo de o xj en la tabla s mplex y se llama con frecuencia costo reducido de la actividad j. En realidad, en algunos libros se usa (zj cj ) para calcular en forma directa el coeciente de la ecuacin objetivo (en lugar de usar operaciones de la de Gauss-Jordan). El uso de o (zj cj ) en los clculos s a mplex es, en realidad, una parte del mtodo s e mplex revisado que describiremos ms adelante. a Ejemplo 4.3-2 TOYCO arma tres juguetes: trenes, camiones y coches, con tres operaciones. Los l mites diarios de tiempo disponible para las tres operaciones son 430,460 y 420 minutos, respectivamente, y las utilidades por tren, camin y coche de juguete son $3, $2 y $5, o respectivamente. Los tiempos de armado por tren, en las tres operaciones son 1, 3 y 1 minutos, respectivamente. Los tiempos respectivos por camin y por coche son (2, 0, 4) o y (1, 2, 0) minutos (un tiempo de cero indica que no se usa la operacin). o Si x1 , x2 y x3 representan la cantidad diaria de unidades armadas de trenes, camiones y coches, y si el modelo de programacin lineal correspondiente, y su dual son los o siguientes: 4

Primal de TOYCO Maximizar z = 3x1 + 2x2 + 5x3 sujeta a x1 + 2x2 + x3 430 (operacin 1) o 3x1 + 2x3 460 (operacin 2) o x1 + 4x2 420 (operacin 3) o xk 0, k Solucin ptima: o o x1 = 0, x2 = 100, x3 = 230, z = $1350

Dual de TOYCO Minimizar z = 430y1 + 460y2 + 420y3 sujeta a y1 + 3y2 + y3 3 2y1 + 4y3 2 y1 + 2y2 5 yk 0, k Solucin ptima: o o y1 = 1, y2 = 2, y3 = 0, w = $1350

La solucin primal ptima indica producir camiones de juguete x2 = 100 y coches o o de juguete x3 = 230, pero no armar trenes x1 = 0, porque no son rentables. Suponga que la competencia obliga a TOYCO a producir tambin trenes de juguete. e Cmo se puede hacer la produccin? Si se considera el problema desde el punto de o o vista de la interpretacin de z1 c1 para x1 , los trenes de juguete tienen atractivo o econmico slo si z1 < c1 As TOYCO puede aumentar la utilidad por unidad de c1 o o , aumentando el precio unitario de venta, o disminuyendo el costo imputado z1 de los recursos usados z1 (= y1 + 3y2 + y3 ). Podr no ser posible aumentar la utilidad por a unidad, porque TOYCO desea permanecer competitivo en el mercado. Es ms plausible a una disminucin en z1 , porque implica hacer mejoras en las operaciones de ensamble, que o principalmente reduzcan su uso unitario de tiempos disponibles para las operaciones. Si r1 , r2 y r3 representan las proporciones con las que se reducen los tiempos unitarios de las tres operaciones, el problema requiere determinar r1 , r2 y r3 de tal modo que el nuevo costo imputado z1 de las tres operaciones sea menor que la utilidad unitaria c1 ; esto es, 1(1 r1 )y1 + 3(1 r2 )y2 + 1(1 r3 )y3 < 3 Para los valores dados de y1 = 1, y2 = 2 y y3 = 0, esta desigualdad se reduce a (comprubelo!) e r1 + 6r2 > 4 As todos los valores de r1 y r2 entre 0 y 1 que satisfagan r1 + 6r2 > 4 deben hacer , que los trenes de juguete sean rentables. Sin embargo podr ser que no se pueda alcana zar este objetivo, porque requiere reducciones en los tiempos de las operaciones 1 y 2, 5

que no parecen prcticas. Por ejemplo, aun reducciones hasta de 50% en esos tiempos a (esto es, r1 = r2 = 0.5) no satisfacen la condicin dada. o 4.4 OTROS ALGORITMOS S IMPLEX PARA PROGRAMACION LINEAL En el algoritmo s mplex que presentamos primero, el problema se inicia en una solucin bsica factible. Las iteraciones sucesivas siguen siendo bsicas y factibles, pero o a a avanzan hacia la optimalidad, hasta llegar al ptimo en la ultima iteracin. A veces se o o llama mtodo s e mplex primal a este algoritmo. Ahora introduciremos dos algoritmos ms: el s a mplex dual y el s mplex generalizado. En el s mplex dual, la programacin lineal se inicia en una solucin bsica que o o a es (mejor que la) ptima, pero no es factible, y las iteraciones sucesivas siguen siendo o bsica y (mejores que la) ptima, a medida que se acercan a la factibilidad. En la ultima a o iteracin se encuentra la solucin factible (ptima). En el mtodo s o o o e mplex generalizado se combinan los mtodos s e mplex primal y dual en un solo algoritmo. Maneja problemas que comienzan siendo no ptimos y no factibles a la vez. En este algoritmo se asocian las o iteraciones sucesivas con soluciones bsicas (factibles o no factibles). En la iteracin nal a o la solucin es ptima y factible al mismo tiempo (suponiendo, claro est, que exista una). o o a Se pueden aplicar los tres algoritmos, el primal, el dual y el generalizado con ecacia en los clculos del anlisis de sensibilidad, lo que se indicar en la seccin 4.5. a a a o 4.4.1 Mtodo dual s e mplex Como en el mtodo s e mplex (primal), la base el mtodo s e mplex dual es que cada iteracin siempre est asociada a una solucin bsica. Las condiciones de optimalidad o e o a y factibilidad se establecen para preservar la optimalidad de las soluciones bsicas y al a mismo tiempo mover las iteraciones de la solucin hacia la factibilidad. o Condicin dual de factibilidad. La variable de salida xr es la variable bsica que o a tiene el valor ms negativo (los empates se rompen en forma arbitraria). Si todas las a variables bsicas son no negativas, termina el algoritmo. a Condicin dual de optimalidad. La variable de entrada se determina entre las o variables no bsicas, como la que corresponde a a

m n
no bsica xj a

zj cj , rj < 0 rj

donde zj cj es el coeciente objetivo de la la z en la tabla, y rj es el coeciente negativo de restriccin de la tabla, asociado con la la de la variable de salida o xr , y con la columna de la variable xj no bsica. Los empates se rompen arbitrariamente. a Observe que la condicin de optimalidad dual garantiza que se mantendr la optio a malidad en todas las iteraciones. Para el inicio de una programacin lineal que sea ptima y no factible a la vez, se o o deben satisfacer dos requisitos:

1. La funcin objetivo debe satisfacer la condicin de optimalidad del mtodo s o o e mplex regular. 2. Todas las restricciones deben ser del tipo (). Por la segunda condicin se requiere convertir toda () a (), slo multiplicando o o ambos lados de la desigualdad () por 1. Si en la programacin lineal hay restricciones o (=) se puede reemplazar la ecuacin con dos desigualdades. Por ejemplo, o x1 + x2 = 2, equivale a x1 + x2 1, x1 + x2 1, o bien x1 + x2 1, x1 x2 1, Despus de convertir todas las restricciones en (), la programacin lineal tendr e o a una solucin de inicio no factible si, y slo si al menos uno de los lados derechos de las o o desigualdades es estrictamente negativo. En caso contrario, si z es ptima y ninguno o de los lados derechos es negativo no habr necesidad de aplicar el mtodo s a e mplex dual, porque la solucin de inicio ya es ptima y factible. o o

Ejemplo 4.4-1 Minimizar z 3x1 + x2 4x1 + 3x2 x1 + x2 xk = 3x1 + 2x2 3 (1) 6 (2) 3 (3) 0, k

En este ejemplo se multiplican por 1 las dos primeras desigualdades para convertirlas a restricciones (). As la tabla de inicio es: , Bsica x1 x2 x3 x4 x5 Solucin a o z 3 2 0 0 0 0 x3 3 1 1 0 0 3 x4 4 3 0 1 0 6 x5 1 1 0 0 1 3 La tabla comienza ptima (todas las zj cj 0 en la la z) y la solucin bsica de o o a inicio es no factible (x3 = 3, x4 = 6, x5 = 3). Segn la condicin dual de factibilidad, x4 (= 6) es la variable de salida. La tabla u o siguiente muestra cmo se usa la condicin dual de optimalidad para determinar la o o variable de entrada. Variable Fila de z (zj cj ) Fila de x4 , 4j Razn, o
zj cj 4j

x1

x2

x3 0 0

x4 0 1

x5 0 0

3 2 4 3
3 4 2 3

, 4j < 0

Las razones indican que x2 es la variable de entrada. Observe que una variable xj es candidata para entrar a la solucin bsica slo que su ij sea estrictamente negativa. o a o Eso quiere decir que no se deben tener en cuenta las variables x3 , x4 y x5 . La siguiente tabla se obtiene con las conocidas operaciones de la. 8

Bsica a z x3 x2 x5 Razn o

x1 x2 x3 x4 x5 Solucin o 1/3 0 0 2/3 0 4 5/3 4/3 1/3 1/5 0 1 0 1 1/3 0 1/3 0 1/3 2 0 0 1 1 2 1

Esta tabla muestra que sale x3 y entra x1 , y as se obtiene la siguiente tabla: Bsica x1 x2 a x3 x4 x5 Solucin o z 0 0 1/5 3/5 0 21/5 x1 x2 x5 1 0 0 0 3/5 1/5 1 4/5 3/5 0 1/5 2/5 0 0 1 3/5 6/5 6/5

Esta ultima tabla es factible (y ptima) por lo que se termina el algoritmo. La solucin o o correspondiente es x1 = 3/5, x2 = 6/5 y z = 21/5. Para reforzar la comprensin del mtodo s o e mplex dual por parte del lector, la gura 4.2 muestra en forma grca la trayectoria seguida por el algoritmo para resolver el ejema plo 4.4-1. Se inicia en el punto extremo A (que es no factible y mejor que el ptimo), o pasa a B (que todav es no factible y mejor que el ptimo) y por ultimo se vuelve a o factible en C. En este punto termina el proceso, con C como solucin ptima factible. o o

10