UNIVERSIDAD NACIONAL “SANTIAGO ANTUNEZ DE MAYOLO”

FACULTAD DE INGENIERIA DE MINAS, GEOLOGIA Y METALURGIA

ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA DE MINAS

ANALISIS DE SISTEMAS MINEROS

DUALIDAD

ING° ARNALDO RUIZ CASTRO

SEPTIEMBRE 2019
 DUALIDAD
El dual es un problema de Programación lineal (PL) que
se obtiene matemáticamente de un modelo primal de
PL dado. Los problemas dual y primal están
relacionados a tal grado, que la solución simplex
óptima de cualquiera de los dos problemas conduce en
forma automática a la solución óptima del otro. 
El  método simplex además de resolver un problema de
PL llegando a una solución óptima nos ofrece más y
mejores elementos para la toma de decisiones. La 
dualidad y el análisis de sensibilidad son
potencialidades de éste método. 
El concepto de dualidad indica que para cada problema de
PL hay una asociación y una relación muy importante con
otro problema de programación lineal, llamado
precisamente dual.
 La relación entre el problema dual y su asociado, es
decir el problema original llamado primal, presenta
varias utilidades:
Aporta elementos que aumentan sustancialmente la
compresión de la PL.
El análisis de dualidad es una herramienta útil en la
solución de problemas de PL,  por ejemplo: más
restricciones que variables.
El problema dual tiene interpretaciones e informaciones
importantes que muestran que los análisis marginales
están siempre involucrados implícitamente al buscar la
solución óptima a un problema de PL. 
 Conversión de un Problema Primal a Dual
Un problema dual se formula de un problema primal de la siguiente
forma: 
1.Si el primal es un problema de maximización su dual será un
problema de minimización y viceversa.
2.Los coeficientes de la función objetivo del problema primal se
convierten en los coeficientes del vector de la disponibilidad en el
problema dual.
3.Los coeficientes del vector de disponibilidad del problema
original se convierten en los coeficientes de la función objetivo
(vector de costo o precio) en el problema dual.
4.Los coeficientes de las restricciones en el problema primal, será
la matriz de los coeficientes tecnológicos en el dual.
5.Los signos de desigualdad del  problema dual son contrarios a los
del primal.
6.Cada restricción en un problema corresponde a una variable en el
otro problema. Si el primal tiene m restricciones y n variables, el
dual tendrá n restricciones y m variables. Así, las variables Xn del
primal se convierte en nuevas variables Ym en el dual.
FORMA CANONICA DEL FORMA CANONICA DEL
PRIMAL DUAL
MAX  Z= CX MIN  Z= BY
Sujeto a: Sujeto a:
AX ≤ b AY ≥C
X ≥0 Y ≥0
Si el problema primal es: 
MAX  Z= 45X1 + 17X2 + 55X3
                              Sujeto a:
                                        X1   +    X2  +     X3   ≤ 200
                                       9X1  +  8X2  +  10X3  ≤ 5000
                                       10X1+  7X2  + 21 X3  ≤ 4000
                                       Xj ≥0
 El problema dual será:
          MIN  Z= 200Y1 + 5000Y2 + 4000Y3
          Sujeto a:
                      Y1 +   9Y2 + 10Y3  ≥ 45
                      Y1 +   8Y2 +   7Y3  ≥ 17
                      Y1 + 10Y2 + 21Y3 ≥ 55
            Yj ≥ 0 
 APLICACIONES DE LA DUALIDAD
a) Permite resolver problemas lineales donde el número
de restricciones es mayor que el numero de variables.
b) La dualidad permite realizar importantes
interpretaciones económicas de los problemas de
programación lineal.
c) La dualidad permite generar métodos como el método
dual del simplex de gran importancia en el análisis de
post optimización y en la programación lineal
paramétrica.
d) Permite resolver gráficamente algunos problemas.
Consideremos el siguiente problema lineal matematizado
Función Objetivo:
Min Z(x) = 2 x1 + 3 x2 + 5 x3 + 2 x4 + 3 x5
Sujeto a:
x1+ x2 + 2 x3 + x4 + 3 x5 ≥ 4
2 x1 - x 2 + 3 x 3 + x 4 + x5 ≥ 3
x1 ≥0
x2 ≥0
x3 ≥0
x4 ≥0
x5 ≥ 0
Dado que se trata de un programa lineal en forma canónica,
ello nos proporciona un dual en forma simétrica como el
siguiente:
Función Objetivo:
Max G(y) = 4 y1 + 3y2
Sujeto a:
y1 + 2 y2 ≤ 2
y 1 - y2 ≤3
2 y1 + 3 y 2 ≤ 5
y1 + y2 ≤2
3 y1 + y 2 ≤ 3
y1 ≥ 0
y2 ≥ 0
 y2

R5
3 FU

2
NC
IO
N
OB

1 R3
J
ET
IV

R4
R1
O

-1
y1
-1 0 1 2 3 4 5
R2
El vértice solución es el punto (4/5,3/5) con un
valor de la función objetivo de 5.
x1 + 3x5 = 4
2 x 1 + x5 = 3
La solución de este sistema es : x1 = 1 y x5 = 1, lo
cual nos proporciona un valor de la función
objetivo de Z(x) = 5, idéntico a la solución del
dual.
 TEOREMAS DE DUALIDAD
Consideremos el siguiente par primal-dual:
(P) mın z = c · x (D) max w = y · b
s.a. A · x ≥ b s.a. At · y ≤ c
xi ≥ 0 yi ≥ 0
1. Teorema Débil de Dualidad
Si x0 e y0 son factibles para (P) y (D) respectivamente, entonces
z(x0) ≥ w(y0).
2. Teorema Fundamental de Dualidad o Teorema Fuerte 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 valores óptimos son iguales.
3. Teorema de Holgura Complementaria
Uno de los teoremas principales en la teoria de
dualidad en programación lineal es el teorema
de holguras complementarias. Dicho teorema
nos permite encontrar la solución óptima del
problema dual cuando conocemos la solución
óptima del problema primal (y viceversa) a
través de la resolución de un sistema de
ecuaciones conformado por las variables de
decisión (primales y duales) y las restricciones
(del modelo primal y dual).
Si consideramos:
α1
α2
[β1 β2 β3 ….. βn] = α3 una matriz de m filas y n
. columnas
.
αm
Sea el par primal-dual siguiente:
(P) mín z = c · x (D) máx w = y · b
s.a i · x ≥ bi s.a j · y ≤ cj
xi ≥ 0 yi ≥ 0
Sean x0 e y0 soluciones factibles para los problema (P) y
(D) respectivamente. x0 e y0 son óptimos si y solo si:
I) (αi · x0 − bi) · y0i = 0 i=1,...,m.
II) (cj − y0 · βj) · x0j = 0 j=1,...,n.
Se establece que (αi · x0 − bi) y (cj − y0 · βj) ,son las
variable de holgura de los problemas (P) y (D)
respectivamente.
La importancia de este teorema radica en que facilita
la resolución de los modelos de optimización lineal,
permitiendo a quién los resuelve buscar el modelo
más sencillo para abordar (desde el punto de vista
algorítmico) dado que de cualquier forma podrá
obtener los resultados del modelo equivalente
asociado (sea éste el modelo primal o dual).
Consideremos el siguiente modelo de programación
lineal (en adelante primal) con 2 variables cuya
solución óptima es X=14/5 e Y=8/5 con valor
óptimo V(P)=20,8.
 Max 4x + 6 y
s.a. 2x + 4 y ≤ 12
4x + 3y ≤ 16
x≥0
y≥0
El modelo dual asociado al modelo primal, es:
Min 12A + 16B
s.a. 2A + 4B ≥ 4
4A + 3B ≥ 6
A≥0
B≥0
Luego, el teorema de holguras complementarias plantea
las siguientes relaciones:
(2X + 4Y – 12)A = 0
(4X + 3Y – 16)B = 0
(2A + 4B – 4)X = 0
(4A + 3B – 6)Y = 0
Como sabemos X=14/5 e Y=8/5 (solución óptima del
modelo primal). Si reemplazamos estos valores de X e Y
en la tercera y cuarta ecuación generamos un sistema de
ecuaciones de 2×2 en términos de A y B cuya solución
corresponde a A=6/5 y B=2/5 (solución óptima del
modelo dual).
Si posteriormente evaluamos en la función objetivo del
problema dual dicha solución obtenemos:
V(D)=12(6/5)+16(2/5)=20.8 que es similar al valor
óptimo del problema primal (teorema de dualidad
fuerte). Siendo A=6/5 y B=2/5 una solución factible
para el problema dual, lo cual es la solución optima de
dicho problema.
3. Análisis de Sensibilidad.
Es necesario ver como afectada la solución de un
problema de optimización si cambia alguno de los
parámetros del problema. En este ámbito, podemos
distinguir 2 tipos de análisis:
 Análisis de sensibilidad: Consiste en determinar cual es
el rango de variación de los parámetros del problema de
modo que la base óptima encontrada siga siendo óptima.
 Análisis post optimal: Consiste en determinar como varía
la base óptima si cambian alguno de los parámetros del
problema.
Considerando la siguiente matematización de un problema
de asignaciones, se tiene:
máx z = x1 + 3x2
s.a x1 + 4x2 ≤ 100
x1 + 2x2 ≤ 60
x1 + x2 ≤ 50
x 1, x 2 ≥ 0
Se considera la posibilidad de introducir una variable nueva
de decisión a las restricciones del proceso, tendremos la
siguiente matematización de la PL.
máx z = x1 + 3x2 + xnuevo
s.a x1 + 4x2 + 5xnuevo ≤ 100
x1 + 2x2 + 3xnuevo ≤ 60
x1 + x2 + 2xnuevo ≤ 50
x1, x2, xnuevo ≥ 0
Si solucionamos ambos problemas, tendremos los siguientes
resultados:
En el problema N° 1, la función objetivo y las variables de
decisión consignan los siguientes valores: Z = 80.00,
x1 = 20, x2 = 20.
En el problema N° 2, la función objetivo y las variables de
decisión consignan los siguientes valores: Z = 80.00,
x1 = 20, x2 = 20 y xnuevo = 0.
Como se puede apreciar de los resultados si bien es cierto
que se predispone una nueva asignación al proceso esto no
propicia una variación de la función objetivo ni de las dos
primeras variables de decisión, pero complementa que se
puede mejorar las condiciones de operatividad con las
nuevas asignaciones aun cuando no estarían participando
activamente en el proceso.