DUALIDAD

Investigación Operativa I
DUALIDAD:

Uno de los descubrimientos más importantes durante el desarrollo inicial de

la programación lineal fue el concepto de dualidad y sus importantes
ramificaciones, éste reveló que asociado a todo problema de programación
lineal existe otro problema lineal llamado Dual. Las relaciones entre el
problema dual y el original (llamado primal) son útiles en una gran variedad
de situaciones. Por ejemplo:

-La solución óptima del problema dual es la que proporciona los precios
sombra del primal.
Precios sombra: variación marginal en la función objetivo, debido a la
variación unitaria del vector recurso “b”.

- Interpretación y realización del análisis de sensibilidad.

Formulación del Problema Dual.

FORMULACION DEL PROBLEMA DUAL:

ara construir, tanto el problema primal y dual, ambos problemas se construyen con
os mismos vector
Para ya conocidos,
construir, tanto el es decir, deprimal
problema costosy odual,
precios (C), vector de
se construyen recursos
con los mismos
b) y coeficientes
vectores tecnológicos
ya conocidos,(A).esDe esta de
decir, manera,
costosasociada a la
o precios estructura
(C), vector de derecursos
un
.P.L. primal de la siguiente forma:
(b) y coeficientes tecnológicos (A). De esta manera, asociada a la estructura
de un P.P.L. primal de la siguiente forma:

Max. Min
 
Z  CX T 
G  b W
s.a. Problema Primal
s.a. Problema Dual
  
AX  b   
AT  W  C T
 
X0 W 0
Problema Primal Problema Dual
Entonces, el P.P.L. dual se define como determinar las variables duales w1 , w2 ,, wm ,
por lo cual, se define la siguiente estructura:

Min
 
G  bT W
s.a. Problema Dual
  
AT  W  C T

W 0

Donde:

C T : Vector columna con n componentes transpuesta del vector C, vector de
disponibilidad
 de recursos duales.
W : Vector columna con m componentes; vector de actividades de variables duales.

A T : Transpuesta de la matriz A, es decir, matriz de n  m elementos, matriz de
coeficientes tecnológicos.
G: Función objetivo dual, escalar.

b T : Vector de precios unitarios duales transpuesta del vector b; vector reglón con m
componentes

0 : Vector columna con m ceros.
Resumiendo, podemos formular el problema dual de cualquier problema primal,
según la siguiente tabla:

Problema de Maximización Problema de Minimización

Si la restricción es: La variable asociada es:
 0
 0
= irrestricta
Si la variable es: La restricción correspondiente es:
0 
0 
irrestricta =
Ejemplo:
Dado el siguiente problema primal
Max Z  3 X 1  8 X 2  2 X 3  4 X 4
s.a.
X1  X 2  2 X 3  3 X 4  5
X1  X 2  -1
X3 - X 4  46
X1, X 2 , X 3 , X 4  0

Encuentre el problema dual asociado:

3
1 1 2 3 5
8
A 1 1 0 0 b  -1 CT 
2
0 0 1 1 46
4
1 1 0
1 1 0
AT  b T  5  1 46 C 3 8 2 4
2 0 1
3 0 1
El PPL dual de forma matricial:
W1
Min G  5 -1 46 W2
W3
s.a.
1 1 0 3
W1
1 1 0 8
W2 
2 0 1 2
W3
3 0 1 4

El PPL dual de forma extensa:

Min G  5W1  W2  46W3
s.a.
W1  W2 3
W1  W2 8
2W 1  W3 2
3W1  W3  4
W1 , W2 , W3  0
 Usos del problema Dual:

a) Resolver problemas lineales que tienen más restricciones que actividades

Ejemplo:
Max Z  2X1  4X 2
s.a.
X1  X 2  6 Min G  6W1  8W2  2W3  8W4  6W5  8W6
2 X1  X 2  8 s.a.
3 X1  2 X 2  2  W1  2W2  3W3  6W4  3W5  4W6  2
6 X1  8 X 2  8 W1  W2  2W3  8W4  4W5  W6 4
3 X1  4 X 2  6 W1 ,W2 ,W3 ,W4 ,W5 ,W6  0
4 X1  X 2  8
X1, X 2  0

b) Hacer interpretaciones económicas de las soluciones óptimas de los P.L.L.

c) Generar métodos como el Dual Simplex para el análisis de sensibilidad de los P.L.L.

d) Generar nuevos algoritmos para la solución de problemas de redes de optimización.

Un resultado interesante que permite centrar la atención, respecto a la relación entre
ambos problemas y muestra que las denominaciones primal y dual son sólo
arbitrarias, es la siguiente:

Teorema 1: Dado un problema primal (P), el dual del problema dual es el problema
primal.

Para demostrar esta condición, utilizando el problema primal (P) original, se tiene que
el problema dual (D) asociado es:
Min G  bT  W
s.a.
AT  W  C T
W 0

Transformemos este problema a maximización y multiplicando por (-1):

Max - G  bT  W
s.a.
 AT  W  C T
W 0
Ahora, apliquemos el dual a este problema
Min - Z  C  X
s.a.
 A  X  b
X 0

El cual es equivalente a:
Max Z  C  X
s.a.
A X  b
X 0
3.1.2.- Teoremas de Dualidad

Estos teoremas se basan en la siguiente estructura:

Max Z  C  X Min G  b T  W
s.a. s.a.

AX  b AT  W  C T
X0 W 0

Teorema Nº2: Teorema Débil de Dualidad:

Si el problema primal es de maximización y el problema dual de minimización,

entonces X y W son soluciones factibles del problema primal y dual,
T
respectivamente. Entonces se cumple que: Z  C X  b W  G

El valor de la función objetivo de cualquier solución factible del problema de

maximización, es una cota inferior del valor óptimo del problema de minimización, el
cual es análogo para el caso contrario. Quiere decir que para cualquier par de
soluciones factibles del primal y dual, la función objetivo del primal es siempre
menor o igual a la función objetivo del dual.
Corolario 1: Si el problema primal no tiene solución factible y el problema dual
tiene al menos una, entonces el dual tiene solución óptima no acotada. Por el
contrario si el problema dual no tiene solución factible y el problema primal tiene
al menos una, entonces tiene una solución óptima no acotada.

Corolario 2: Ambos problemas dual y primal no tienen solución

Teorema Nº3: Teorema Fundamental de Dualidad

Dados un par de problemas Primal-Dual, si uno de ellos admite solución óptima,

entonces el otro también la admite y los respectivos valore son óptimos y sus
respectivas funciones objetivos óptimas son iguales, es decir, si X* es óptimo para el
problema primal y W* es óptimo para el problema dual, entonces:

Z  CX *  bT W *  G
Solución del Problema Dual.

Anteriormente, se dedujeron las siguientes relaciones a partir de la resolución de

un problema de PL a partir del Método Simplex:
La función objetivo Dual está definida como:
G  bT  W  W T  b
En condiciones de optimalidad (según el teorema fundamental) se cumple que:
Zˆ  Gˆ
Cˆ B Bˆ 1b  Wˆ T b

De esta manera, w es el vector dual óptimo, cuyo valor es:

Wˆ T  Cˆ B Bˆ 1

Dentro del Tableau del P.P.L. primal C B B 1 corresponde al valor de los costos
reducidos de las variables de holgura.
Ejemplo:

Hallar el valor de las variables duales óptimas y su función objetivo del P.P.L:

Max Z  4 X1  3 X 2
s.a.
2 X1  3 X 2  18 ( P)
4 X1  2 X 2  10
X1, X 2  0

Formular el problema dual

Min G  18W1  10W2
s.a.
2W1  4W2  4 D
3W1  2W2  3
W1 , W2  0
La última tabla para el primal queda como:

Z X1 X2 X3 X4 Z0
1 2 0 0 3/2 15
X3 0 -4 0 1 -3/2 3
X2 0 2 1 0 1/2 5

La solución óptima para el primal es:

X1*  0 X*2  5 X*3  3 X*4  0

Así, la solución óptima para el problema dual es:

Wˆ T  Cˆ B Bˆ 1

W1*  Z 3  C3  0

W2*  Z 4  C 4  3 / 2
Luego, comprobaremos si la solución dual es factible y óptima. Comprobando en las
restricciones duales se tiene:
20   43 / 2   6  4
30   23 / 2   3  3
0  0 ; 3/2  0
Gˆ  180  103 / 2  15  Zˆ

Las soluciones óptimas de un par de problemas primal-dual satisfacen otra relación

que es muy útil en la interpretación económica de las soluciones. Esta relación se
puede formular para un par cualquiera de problemas primal-dual lineales, pero sólo
consideraremos la definición inicial de la relación de dualidad, es decir para:
Max Z  CX Min G  b TW
s.a. s.a.

AX  b AT W  C T
X0 W 0
Teorema Nº4: Teorema de Holguras Complementarias Débil

Dado los problemas Primal y Dual estándares, una condición necesaria y suficiente
para X y W sean óptimas, respectivamente de (P) y (D) es:

T
W (b  A X )  0
T
X ( AT W  C T )  0

Teorema Nº5: Teorema de Holguras Complementarias

Dado los problemas Primal y Dual estándares, tienen soluciones factibles, entonces
existen soluciones óptimas X y W , tal que:
T
(b  A X )  W  0
T
( AT W  C T )  X  0
 La igualdad anterior es equivalente a la definición de zj dada con anterioridad y que
era:
z j  Wˆ T a j , j  B
3.1.5.- Interpretación Económica De Las Variables Duales
Si se toma el vector de recursos b y se incrementa en b , de tal forma que la base
Se ha visto que:
Wˆ T  Cˆ B Bˆ 1
óptima B̂ no cambie, por lo cual, la nueva solución xB seguirá siendo óptima, siempre
y cuando se cumpla que:

B-1
X B  B 1b  b  0
Como
ˆ ˆ es la inversa de la base óptima del problema primal, entonces
multipliquemos por la base óptima dicha ecuación:

Wˆ T B  Cˆ B Bˆ 1Bˆ
De esta manera, producto de lo anterior, tampoco cambian los costos
reducidos z j  c j , es decir:
Wˆ T Bˆ  Cˆ B

z  c B̂esta ˆ ˆ 1
a j  C j por m 
CB Bcompuesta j A
Como
j j columnas aj de A, la igualdad anterior puede
expresarse en términos de los componentes aj de la base.
En cambio, la función dual ha sufrido una variación, pues ahora se tendrá:
En cambio, la función dual ha sufrido una variación, pues ahora se tendrá:
Wˆ T  a j  C j  B
ˆ ˆ T Bj
G W b
G ˆ  Wˆ T  b
Gˆ ' esta
De b  b   Wˆ Tb  Wˆ T  b
Wˆ T manera:
Bˆ  1ˆaT  C B
Cˆ B
Gˆ '  Wj b  j b  ZW ˆ ˆ T  b  Wˆ T  b

Gˆ '  YZˆj  Wˆ  b
T
Zˆ
ˆ Zˆ 'C T z  C
Bˆ'Y'
CˆG
G j Zˆ 
BWjˆ 
j bB j
Zˆˆ'  Zˆ ˆ Wˆ T  b
G'  Z '
Zˆ '  Zˆ  Wˆ T  b
Nota: b es un cambio unitario en el vector recursos, relacionado con w, que es el
precio sombra.
Nota: b es un cambio unitario en el vector recursos, relacionado con w, que es el
precio sombra.
La igualdad anterior indica que un pequeño incremento en el vector recursos ha
La igualdad anterior indica que un pequeño incremento en el vector recursos ha
cambiado el
cambiado el valor
valor óptimo
óptimodedelalafunción
funciónobjetivo
objetivodual,
dual,y ypor
porlolotanto,
tanto,elel valor
valor óptimo
óptimo dede
la función
la función objetivo
objetivo primal.
primal.Este
Estecambio
cambioesesWˆWˆTT
b.b.

Si el cambio en el vector recurso b es û (unitario), la función objetivo cambiará en w

unidades, es decir, que si la componente b i  1,, n  de b, sufre un cambio
i
unitario, la función objetivo sufrirá un cambio wi (la i-ésima del vector dual).

Nota: es importante notar que la interpolación económica es válida únicamente para

cambios en b, ya que estos no afectan, por lo general, la estructura de la base
óptima. Este tipo de interpolación de variables duales se conoce con el nombre de
precio sombra.
Ejemplo:

Si en el problema anterior b 2 se convierte de 10 a 11 unidades (cambio unitario), el

nuevo valor de la función objetivo será:
Tenemos que los valores, obtenidos del primal son:
W*  0 X*  3 X*  0
1 3 1
W *  3/ 2 X*  5 Z*  15
2 2

Luego, la variación de la función objetivo es:

b  11  10  1
2
3 33
Zˆ '  Zˆ  W  b  15   1   16.5
2 2 2 2

¿Qué sucede, si cambio ahora b 2 de 10 a 9 unidades?

b  9  10  1
2
3 27
Zˆ '  Zˆ  W  b  15   ( 1)   13 .5
2 2 2 2
¿Qué sucede si se aumenta el recurso b 1 de 18 a 19 unidades?

No sucede nada, porque el precio sombra no esta ocupando todo el recurso.

Entonces, si se aumenta (o decrece) el recurso 2, se mejora (o empeora) la función

objetivo, en cambio, si se mejora el recurso 1 sólo se tendrá más holgura para dicho
recurso.

Hay que indicar que la interpretación económica es válida solamente para cambios
unitarios en el vector b, ya que estos no afectan a la base óptima.

Los cambios que no sean unitarios (en los distintos recursos), se estudiarán en el
análisis de sensibilidad y programación paramétrica, el cual se verá más adelante.
Método Simplex Dual
El método simplex dual fue desarrollado para solucionar directamente el problema
dual. Se basa en el método simplex primal y opera, según el siguiente
procedimiento:

Dado el siguiente problema primal-dual:

Max Z  C  X Min G  bT  W
s.a. s.a.

A X  b AT  W  C T
X 0 W 0

Paso1:
Construya el tableau cero, siguiendo las mismas reglas vistas para el método
simplex, es decir, que aparezca la matriz identidad y que los costos reducidos, en
este caso, sean mayores o iguales a cero, es decir:
z c  0 , j  A
j j
Paso2:
Revisar todos los X , i  1,, m :
Bi
1. Si todos los X  0 , entonces el tableau actual es óptimo y, por ende, la solución
Bi
es óptima.
2. Si uno o más X  0 , entonces se selecciona el vector br que debe abandonar la
Bi

 
base, utilizando la siguiente expresión:
X br  Min X ;X 0
i  1,, m Bi Bi

Paso 3
El vector xk de entrada a la base, debe satisfacer la siguiente regla, la cual es:

zk  ck z  c 
 j j 
 Max  ,Y  0
j  1,, n  Yrj rj
Yrk
 

Paso 4
La columna xk se convierte en el vector unitario, cuyo pivote Yrk es igual a uno.
Dichos cambio se efectúan con operaciones matriciales elementales. Regrese al
paso 2 hasta que se cumplan las condiciones de optimalidad.
Ejemplo:
Resolver usando el Simplex Dual:
Min G  18W1  10W2
s.a.
2W1  4W2  4
3W1  2W2  3
W1, W2  0

Notemos que el problema se puede resolver utilizando los métodos de la gran M o

Doble Fase, como lo explicamos anteriormente. Veamos el método simplex dual y
luego efectuemos una comparación entre ellos.

Max H  -G  -18W - 10W

1 2
s.a.
- 2W - 4W  W  -4
1 2 3
- 3W - 2W  W  -3
1 2 4
W ,W ,W ,W  0
1 2 3 4
 H W1 W2 W3 W4 H0
1 18 10  0 0 0
W3 0 -2 -4 1 0 -4 
W4 0 -3 -2 0 1 -3

H W1 W2 W3 W4 H0
1 13 0 5/2  0 -10
W2 0 1/2 1 -1/4 0 1
W4 0 -2 0 -1/2 1 -1 

H W1 W2 W3 W4 H0
1 3 0 0 5 -15
W2 0 3/2 1 0 -1/2 3/2
W3 0 4 0 1 -2 2
La solución al problema dual es:
W2  3 / 2
   2 
WB  W   
W    W    0 
3

 N
W 1
   
W4   0 
G   H  15

La diferencia entre el método dual simplex y los dos de penalización, radica en que,
primero no se utilizan variables artificiales y, segundo existen menos iteraciones,
pero la desventaja es que exige la condición de factibilidad dual, es decir,
z  c  0 , j  A
j j
Transformación de Tabla Óptima Primal a una Tabla Óptima Dual
Como se ha explicado anteriormente, tanto el PPL primal como el dual están
relacionados a través de:
Max Z  CX Min G  bTW
s.a. s.a.

AX  b AT W  C T
X 0 W 0

De esta manera, existe una relación directa entre el tableau óptimo primal y dual, el
cual se puede obtener con el siguiente procedimiento:

Paso 1
Las variables no básicas de la tabla óptima primal pasan a ser las variables básicas
de la tabla dual. Asigne las variables duales, respetando el orden en que aparecen
en la tabla primal, comenzando por las variables de holgura.

Paso 2
El valor de las variables básicas duales corresponde al valor de los costos reducidos
de las variables no básicas del problema primal, comenzando por las variables de
holgura
Paso 3
Los costos reducidos de las variables duales no básicas corresponden al valor de las
variables básicas del problema primal.

Paso 4
Para obtener los Yj de las variables no básicas del problema dual, se pasa a
columna las filas (asociada a las variables básicas) los valores relacionados a las
variables no básicas del primal, comenzando por las variables de holgura y
multiplicando por (-1).

Paso 5
El valor óptimo de la función dual es el mismo que el valor óptimo del problema
primal en el tableau óptimo.

Ejemplo:
Max Z  4X  3X Min G  18W  10W
1 2 1 2
s.a. s.a.
2X  3X  18  2W  4W  4
1 2 1 2
4X  2X  10 3W  2W  3
1 2 1 2
X ,X  0 W ,W  0
1 2 1 2
 Tableau Primal
W3 W4 W1 W2
Z X1 X2 X3 X4 Z0
1 2 0 0 3/2 15
X3 0 -4 0 1 -3/2 3
X2 0 2 1 0 1/2 5

Tableau Dual
G W1 W2 W3 W4 G0
1 3 0 0 5 15
W2 0 3/2 1 0 -1/2 3/2
W3 0 4 0 1 -2 2
Ejemplo:
Dado el siguiente problema dual, resolver el problema primal asociado mediante el
método simplex y a partir de esta obtenga la tabla óptima del problema dual.
Min G  2W1  W2
s.a.
3W1  W2  3
(Pr oblema _ Dual )
4W1  3W2  6
W1  2W2  3
W1 , W2  0

Desarrollo:
El problema primal asociado al dual anterior es:
Max Z  3X1  6X 2  3X 3
s.a.
3X1  4X 2  X3  2 (Pr oblema _ Pr imal )
X1  3X 2  2X 3  1
X1 , X 2 , X 3  0

Aplicando la forma estándar:

Max - 3X1 - 6X 2 - 3X 3  0
s.a.
3X1  3X 2  2X 3  X4  2
X1  3X 2  2X 3  X5  1
X1 , X 2 , X 3 , X 4 , X 5  0
 Tableau Primal
Z X1 X2 X3 X4 X5 Z0
1 -3 -6  -3 0 0 0
X4 0 3 4 1 1 0 2
X5 0 1 3 2 0 1 1 
1 -1  0 1 0 2 2
X4 0 5/3 0 -5/3 1 -4/3 2/3 
X2 0 1/3 1 2/3 0 1/3 1/3
1 0 0 0 3/5 6/5 12/5
X1 0 1 0 -1 3/5 -4/5 2/5
X2 0 0 1 1 -1/5 3/5 1/5

Tableau Dual
G W1 W2 W3 W4 W5 G0
1 0 0 2/5 1/5 0 -12/5
W1 0 1 0 -3/5 1/5 0 3/5
W2 0 0 1 4/5 -3/5 0 6/5
W5 0 0 0 1 -1 1 0