3 Dualidad y anlisis de sensibilidad en programacin lineal

3.1 Introduccin
En el tema anterior se describieron las caractersticas de los modelos de
programacin lineal, as como los diferentes caminos a partir de los que podemos
encontrar la solucin: resolucin grfica, algoritmo simplex o uso de programas
informticos. En este tema, se describen dos tcnicas tambin relaciona-das con
la programacin lineal: la dualidad y el anlisis de sensibilidad.
La segunda seccin del tema desarrolla la teora asociada a la dualidad: cmo se
obtiene el dual de un programa lineal, la interpretacin del concepto de precio
sombra y una serie de teoremas y resultados tiles para la interpretacin de un
modelo lineal.
La tercera seccin muestra las posibilidades del anlisis de sensibilidad de la
programacin lineal. Se trata de analizar cmo vara la solucin del modelo (tanto
el valor de la funcin objetivo como el valor de las variables de decisin) en
funcin de dos conjuntos de parmetros del modelo: los coeficientes de coste de
la funcin objetivo y los trminos independientes de las restricciones.
El tema concluye con un problema resuelto y con un glosario de los trminos ms
relevantes introducidos en el mismo.
3.2 Dualidad en programacin lineal
Dado un modelo lineal determinado, podemos definir otro modelo lineal que nos
permitir obtener propiedades interesantes del primero y que ser su dual. La
solucin del modelo dual permite obtener interesantes resultados, relativos al
anlisis de sensibilidad de los trminos independientes. Ms concretamente, para
los rangos de valores de los trminos independientes para los que se mantiene la
base ptima (que podemos conocer mediante el anlisis de sensibilidad), la
solucin del dual nos permite conocer el precio sombra de la restriccin, que ser
la variacin de la funcin objetivo por unidad incrementada del trmino
independiente de la restriccin.
En la primera parte de esta seccin, encontramos cmo hallar el dual de un
modelo lineal. En las siguientes, se define con ms precisin el concepto de precio
sombra, cmo obtener la solucin del dual a partir de la del primal, y su aplicacin
al anlisis de sensibilidad. Finalmente, se enuncian algunas propiedades de
inters, como el teorema de la holgura complementaria y las relaciones entre las
soluciones del primal con las soluciones del dual.
3.2.1 Reglas de obtencin del dual
Si el modelo est escrito en la forma cannica, el dual resulta singularmente fcil
de obtener. Por ejemplo, partiendo de la forma cannica del modelo de mximo:


Mtodos cuantitativos en organizacin industrial I
Primal Dual
[MIN] z = c x [MAX] w = b u
A x b A u c
xj 0 ui 0
Si se trata de obtener el dual del dual, se obtendr el primal: se trata de una
correspondencia biunvoca.
De forma ms general, las reglas para obtener el dual de cualquier modelo lineal
se indican en la tabla adjunta:
Primal Dual Dual Primal
Maximizar la F.O. Minimizar la F. O.
Una variable no negativa Una restriccin mayor o igual
Una variable no positiva Una restriccin menor o igual
Una variable no restringida en signo Una igualdad
Una restriccin menor o igual Una variable no negativa
Una restriccin mayor o igual Una variable no positiva
Una igualdad Una variable no restringida en signo

En los ejemplos 4.2.1, 4.2.2 y 4.2.3 (adems del ejemplo 5), se muestran diversos
ejemplos de obtencin del dual.
3.2.2 Interpretacin de las variables duales: precios sombra
Cada variable del dual est asociada a una restriccin del programa primal, y su
valor ptimo representa el incremento de la funcin objetivo del primal por cada
unidad que aumente el trmino independiente de dicha restriccin, siempre que
este ltimo aumento no suponga un cambio de base. Es, por tanto, el precio
adicional mximo que estamos dispuestos a pagar por el incremento del recurso.


Los valores de estas variables se denominan precios sombra. De manera
analtica, podemos escribir que la variable dual de la restriccin i representar:
i
i b
zu
=
Los precios sombra obtenidos a partir del ptimo del dual sern vlidos siempre
que no vare la base ptima. En consecuencia, los resultados obtenidos del dual
estn ntimamente ligados al anlisis de sensibilidad de los trminos
independientes, tal como se muestra en el ejemplo 2.4.1.
Ejemplo 2.2.1 Problema de la granja
El problema de la granja puede modelizarse mediante un modelo lineal de mximo
en forma cannica, por lo que su dual tambin estar en forma cannica. Puede
observarse que:
a) Los coeficientes de la funcin objetivo son los trminos independientes de las
restricciones del dual y viceversa.
b) Los coeficientes tecnolgicos de las restricciones en el primal son las columnas
de los coeficientes tecnolgicos asociados a cada variable del primal. Ntese, por
ejemplo, cmo la primera restriccin tiene los coeficientes asociados a la variable
CEB.
Dualidad y anlisis de sensibilidad en programacin lineal
Primal Dual
[MAX]z = 50CEB + 80LEC [MIN]w = 80CUO + 110ARE + 720TRA
sujeto a: sujeto a:
CEB 80 ARE + 8TRA 80
CEB + LEC 110 CUO + ARE + 4TRA 50
4CEB + 8LEC 720 CUO, ARE, TRA 0
CEB, LEC 0

Recurdese que CEB y LEC son la superficie a cultivar de cebada y lechugas,
respectivamente, por el agricultor para maximizar su beneficio.

El dual del problema tiene tres variables, tantas como restricciones. Cada variable
dual est asociada a una restriccin:
1. La primera restriccin del primal tiene asociada la variable CUO. Dicha
restriccin indicaba la cota mxima de cebada que poda cultivarse. El valor de
dicha variable indicar el incremento del beneficio del agricultor por unidad
incrementada de la cantidad mxima de cebada.
2. La segunda restriccin nos dice que la mxima rea cultivable es de 110. Su
variable dual es ARE. Representa el beneficio adicional obtenido al aumentar el
rea cultivable en una unidad. Tambin representa el precio mximo a pagar por
una unidad ms de rea cultivable.
3. Finalmente, con la tercera restriccin disponemos slo de 720 horas de trabajo.
Su variable dual es TRA. Representa el incremento del beneficio al contratar horas
de trabajo adicionales, as como el precio mximo a pagar por dichas horas.
Ejemplo 2.2.2 Problema de la dieta
En ese caso nos encontramos con un primal que es un modelo de mnimo escrito
en forma cannica.
Se trata, en este caso, de encontrar la dieta de coste mnimo a partir de un
conjunto de alimentos (P, Q, M, G, E) que cubra con unas necesidades mnimas
de nutrientes (protenas en la primera restriccin y caloras en la segunda).
El dual tendr dos variables (tantas como restricciones el primal) y cinco
restricciones (tantas como variables el primal), y estar tambin en forma
cannica:
Primal Dual
Funcin Objetivo: Funcin Objetivo:
[MIN]z = 35P + 130Q + 100M + 75G + 30E [MAX]w = 70u1 + 3000u2
Restricciones: Restricciones:
8,3P + 24,9Q + 0,4M + 6,0G + 5,1E 70 8,3u1 + 246u2 35
246P + 423Q + 793M + 93G + 26E 3000 24,9u1 + 423u2 130
P, Q, M, G, E 0 0,4u1 + 793u2 100
6u1 + 93u2 7
5,1u1 + 26u2 30
u1, u2 0

Mtodos cuantitativos en organizacin industrial I
Las variables del dual u1 y u2 representan respectivamente los incrementos en el
coste de la dieta que supone la exigencia en el contenido de la misma de un
gramo ms de protenas o una kilocalora ms.
Ejemplo 2.2.3 Transporte barato
En este caso, nos encontramos ante un modelo lineal que busca minimizar el
coste de transporte desde tres orgenes (i = 1, 2, 3) a cuatro destinos (j = 1, 2, 3).
Se trata de un modelo de 4 3 = 12 variables y
4 + 3 = 7 restricciones.
El dual tendr 7 variables, tantas como restricciones del primal: tres asociadas a
las restricciones de capacidad en el origen (u1, u2, u3), y cuatro asociadas a los
destinos (v1, v2, v3, v4). Por ser las restricciones de igualdad, las variables duales
no estn restringidas en signo.
En cuanto a las restricciones del dual, sern 12, tantas como variables del primal.
Cada variable xij tendr asociada una restriccin de la forma:
ui + vj cij
El signo de la desigualdad viene determinado por el hecho de que las xij son no
negativas.
En definitiva, el primal y el dual se muestran a continuacin:
Primal Dual
Funcin Objetivo: Funcin Objetivo:
[MIN] z = 8x11 + 13x12 + 9x13 + 8x14 + [MAX] w = 60u1 + 70u2 + 80u3 +
9x21 + 11x22 + 12x23 + 10x24 + 75v1 + 45v2 + 40v3 + 50v4
7x31 + 8x32 + 10x33 + 9x34
Restricciones: Restricciones:
x11 + x12 + x13 + x14 = 60 u1+v1 8 u2+v1 9 u3+v1 7
x21 + x22 + x23 + x24 = 70 u1+v2 13 u2+v2 11 u3+v2 8
x31 + x32 + x33 + x34 = 80 u1+v3 9 u2+v3 12 u3+v3 10
u1+v4 8 u2+v4 10 u3+v4 9
x11 + x21 + x31 = 75
x12 + x22 + x32 = 45 ui, vj no restringidas en signo
x13 + x23 + x33 = 40
x14 + x24 + x34 = 50

x11, x12, x13, x14,
x21, x22, x23, x24,
x31, x32, x33, x34 0

Las variables del dual ui representan los incrementos de coste por cada unidad
adicional ofertada en cada centro emisor i, mientras que las variables del dual vj
se corresponden con los incrementos de coste por cada unidad adicional solicitada
por un centro receptor j.
3.2.3. Obtencin de la solucin del dual
El dual de un modelo lineal es otro modelo lineal, que puede solucionarse
(despus de las oportunas transformaciones, si alguna de las variables resultantes
es no negativa o no restringida en signo) del mismo modo que el primal. Sin
embargo, en general puede obtenerse la solucin del dual resolviendo el primal.
En los dos ejemplos siguientes, veremos dos modos de obtener la solucin ptima
del dual:
a) A partir de la tabla simplex ptima del primal, en el ejemplo 4.3.1. La solucin
obtenida nos permitir obtener un importante resultado: el teorema de la holgura
complementaria.
b) Mediante un programa informtico. Dado que en general los programas de
resolucin de modelos lineales realizan el anlisis de sensibilidad, podemos
realizar un anlisis ms exacto de la evolucin de los precios sombra. Todo ello se
muestra, con un modelo lineal sencillo, en el ejemplo 4.4.1.
Ejemplo 2.3.1 Tablas simplex del problema de la granja
Las tablas simplex ptimas obtenidas para el primal y para el dual son:
Tabla simplex ptima del programa primal:

Base Coefic. Valor
(RHS)
50
CEB
80
LEC
0
H1
0
H2
0
H3
H1 0 40 0 0 1 -2 0.25
CEB 50 40 1 0 0 2 -0.25
LEC 80 70 0 1 0 -1 0.25
7600 0 0 0 -20 -7.5

Tabla simplex ptima del programa dual:

Base Coefic. Valor
(RHS)
80
CUO
110
ARE
720
TRA
0
D1
0
D2
TRA 720 7.5 -0.25 0 1 -0.25 0.25
ARE 110 20 1 1 0 1 -2
7600 40 0 0 70 40

Del examen de las dos tablas ptimas, podemos deducir algunas propiedades
interesantes:

1. El valor de la funcin objetivo del dual en el ptimo es igual que el valor de la
funcin objetivo del primal en el ptimo. Esta propiedad se cumple de manera
general:
c x* = b u*
2. La primera restriccin del primal se cumple con holgura (H1= 40), y su variable
dual asociada es igual a cero en el ptimo del dual (CUO = 0).
3. Las otras dos restricciones se cumplen sin holgura (H2=H3=0) y sus variables
asociadas TRA y
ARE son positivas. Se trata del precio sombra asociado a las restricciones y tiene
la interpretacin siguiente:

ARE = 20 indica que si aumentamos la cantidad de tierra disponible en b2, la
funcin objetivo aumenta en 20 b2. Por lo tanto, este es el mximo precio a
pagar por tierra adicional.
Mtodos cuantitativos en organizacin industrial I
TRA = 7,5 indica que si aumentamos la cantidad de trabajo en b3, la funcin
objetivo au-menta en 7,5 b3. As que esta es la cantidad mxima a pagar por
trabajo adicional.
No necesitamos resolver el dual para obtener el ptimo u* si disponemos de la
tabla simplex ptima del primal y el modelo no tiene restricciones de igualdad. La
solucin del dual se obtiene a partir de los coeficientes de coste reducidos de las
variables de holgura y exceso de las restricciones:

a) La variable dual asociada a una restriccin de es igual al coeficiente de
coste reducido de su variable de holgura asociada en la tabla simplex ptima del
primal, cambiada de signo.
b) La variable dual asociada a una restriccin de es igual al coeficiente de
coste reducido de su variable de exceso asociada en la tabla smplex ptima del
primal.
En las tablas puede observarse cmo podemos encontrar la solucin del dual en
el primal y la del primal en el dual.
3.2.4 Teorema de la holgura complementaria
La propiedad observada en el ejemplo anterior es generalizable, dado el carcter
de precio sombra de las variables duales. En general, podremos decir que:
1. Si una restriccin se cumple con holgura o exceso, su variable dual asociada
es 0: al no ser activa la restriccin, los incrementos del trmino independiente no
afectarn al valor del ptimo.
2. Si una restriccin se cumple con el signo de igualdad, su variable dual asociada
puede ser dife-rente de 0: al ser la restriccin activa, cabr esperar que el ptimo,
y en consecuencia el valor de la funcin objetivo, varen al modificar el valor de su
trmino independiente.
Este resultado es el teorema de la holgura complementaria, que puede expresarse
como sigue:
(u*) ( A x* - b ) = 0
El primer trmino representa la solucin ptima del dual, y el segundo la holgura
de las restricciones en el ptimo. Se pretende expresar, de esta manera, que para
cada una de las restricciones al menos uno de los dos trminos ha de ser cero. El
siguiente ejemplo muestra tambin cmo se cumple la holgura complementaria.
Ejemplo 2.4.1 Solucin problema de reparto mediante programa informtico
Un taller mecnico puede fabricar dos tipos de productos, P1 y P2. El beneficio
unitario obtenido es de 20 y 60, respectivamente. Para fabricar estos dos
productos dispone de dos recursos, horas hombre
(HH) y horas mquina (HM). En lo que respecta a las horas hombre, dispone de
2.700, y fabricar una unidad de P1 consume 30 HH. En cuanto a las HM, sabemos
que dispone de 850, y que fabricar una uni-dad de P1 consume 5 HM, y una de P2
10 HM. Adems, las condiciones contractuales le obligan a fabricar un mnimo de
95 unidades, sean de P1 o de P2.

Para maximizar el beneficio, puede plantearse el siguiente modelo, en el que P1 y
P2 es la cantidad a producir en el ptimo de cada producto. Deben plantearse tres
restricciones:
a) Una restriccin HH que limita a 2.700 el nmero de HM.
b) Una restriccin HM que limita a 850 el nmero de HH.
Dualidad y anlisis de sensibilidad en programacin lineal
c) Una ltima restriccin PM que impone un nmero mnimo de 95 unidades, entre
P1 y P2.

El modelo, introducido en el programa LINDO, es:
MAX 20P1 + 60P2
ST
HH) 30P1 + 20P2 < 2700
HM) 5P1 + 10P2 < 850
PM) P1 + P2 > 95
END

Una vez ejecutado el programa, se obtiene la siguiente solucin:

PTIMO OBTENIDO EN EL PASO 2

VALOR FUNCIN OBJECTIVO

1) 4900.000

VARIABLE VALOR COSTE REDUCIDO
P1 20.000000 0.000000
P2 75.000000 0.000000

FILA HOLGURA O MARGEN VARIABLES DUALES
HH) 600.000000 0.000000
HM) 0.000000 8.000000
PM) 0.000000 -20.000000

NO. ITERACIONES= 2

El programa nos da el valor de la variable dual para cada restriccin (en rojo). El
dual de este modelo es:

[MIN] w =2700HH + 850HM + 95PM
30HH + 5HM + PM 20
20HH + 10HM + PM 60
HH, HM 0
PM 0

La interpretacin que cabe hacer del resultado es:

HH = 0:
Esta variable muestra que, si aumentamos el nmero de HH, no se obtiene
beneficio adicional.
Este resultado concuerda con el hecho de que tenemos una holgura de 600 en HH
(en azul): el efecto de aadir HH ser el de aumentar dicha holgura, sin que el
ptimo ni el valor de la funcin objetivo se vean afectados.

HM = 8:
Aumentar las horas mquina supone (mientras se mantenga la base ptima)
aumentar el benefi-cio, a razn de 8 unidades por cada HM adicional. Dado que
estamos variando el trmino inde-pendiente, el ptimo se modificar (y el valor de
la funcin objetivo) si variamos el nmero mximo de HH.

Mtodos cuantitativos en organizacin industrial I
PM = 20:
Dado que el primal es un programa de mximo, y la restriccin de nmero mnimo
es de mayor o igual, la variable PM debe ser no positiva. Esta variable muestra
que la empresa puede obtener un gran rendimiento de reducir la cantidad mxima.
En los lmites de la base ptima actual, reducir la cantidad mxima en una unidad
supone aumentar en 20 la funcin objetivo. Ello se debe a que, liberado de
producir una cantidad mnima, la empresa puede dejar de producir P1 para
producir ms cantidad del ms rentable P2.
Estas interpretaciones son vlidas para los intervalos de valores de los trminos
independientes para los que se mantiene la base ptima, que son suministrados
por el propio programa:
RANGOS PARA LOS QUE NO CAMBIA LA BASE:

RANGOS TRMINOS INDEPENDIENTES
FILA VALOR INCREMENT0 DECREMENT0
ACTUAL PERMITIDO PERMITIDO
HH 2700.000000 INFINITO 600.000000
HM 850.000000 100.000000 300.000000
PM 95.000000 15.000000 10.000000

Para este contexto observamos que los resultados son vlidos:
1. Para un incremento ilimitado de las HH
2. Para un incremento de hasta 100 HM
3. Para un decremento de hasta 10 unidades mximas a fabricar
Una vez rebasados estos valores, la base ptima cambia y debe rehacerse el
anlisis con los nuevos valores.



3.2.5 Caractersticas de las soluciones del dual y del primal

Asimismo, existen algunas propiedades de inters a cerca de las soluciones del
primal y del dual:
a) Si el primal tiene solucin ptima acotada x*, el dual tambin tendr solucin
ptima acotada u*.
Ambas soluciones darn el mismo valor de la funcin objetivo:
c x* = b u*
b) Si uno de los dos problemas tiene ptimo no acotado, el otro no tendr solucin
( la regin factible ser un conjunto vaco).
c) Si uno de los dos problemas no tiene solucin, el otro puede tener ptimo no
acotado, o no tener tampoco solucin.
Dichas relaciones se muestran en el siguiente esquema:
Dualidad y anlisis de sensibilidad en programacin lineal
PRIMAL DUAL
3.3 Anlisis de sensibilidad
El anlisis de sensibilidad es una herramienta especialmente til cuando no
tenemos una certeza absoluta sobre los valores que se han dado a los trminos
independientes de las restricciones (en muchas ocasiones asociados a la
limitacin de los recursos) o los coeficientes de la funcin objetivo (coeficientes de
coste). Para estos casos el anlisis de sensibilidad consiste en estudiar cmo
evoluciona el ptimo y el valor de la funcin objetivo en el ptimo ante variaciones
de dichos trminos independientes y coeficientes.

El anlisis de sensibilidad propiamente dicho estudia los intervalos para los cuales
la modificacin de un valor (coeficiente de la funcin objetivo o trmino
independiente) en el programa lineal, de forma individualizada, no cambia las
variables que componen la base de nuestra solucin. Hallando, para el rango de
valores definido en el intervalo, la evolucin de la funcin objetivo (expresado a
travs de los precios sombra).
Por otro lado, el anlisis paramtrico, que no es ms que un anlisis de
sensibilidad en profundidad de los trminos independientes de las restricciones,
estudia las variaciones de la solucin ptima ms all de la solucin obtenida con
los valores inciales de los parmetros. Se consideran todos los valores posibles
del trmino independiente, desde - a +, analizando las variables que entran y
salen de la base (cambios de base), as como la evolucin de los precios sombra.

Ciertamente, el anlisis de sensibilidad puede ir ms all que un estudio sobre la
evolucin de los coeficientes de la funcin objetivo o de los trminos
independientes, por ejemplo, el estudio de los coeficientes tecnolgicos de la
matriz A. No obstante la aplicacin que este hecho representa es menos habitual,
pues suele ser un dato bastante fiable. Posiblemente por este motivo no sea
habitual encontrarlo implementado en los mdulos de programas informticos.

Otros aspectos tenidos en cuenta en la bibliografa ms clsica sobre anlisis de
sensibilidad son la introduccin de nuevas variables o de nuevas restricciones,
situacin que se vuelve trivial cuando el programa lineal se resuelve
informticamente, pues slo hay que insertarlas y volver a ejecutar la aplicacin.
3.3.1 Anlisis de sensibilidad: resolucin grfica
Para ilustrar de forma clara y sencilla en qu consiste el anlisis de sensibilidad,
utilizaremos nueva-mente la metodologa grfica de resolucin con el ejemplo de
dos variables de la granja.
ptimo propio
Sin soluciones
ptimo impropio
ptimo propio
Sin soluciones
ptimo impropio
Mtodos cuantitativos en organizacin industrial I
Ejemplo 3.1.1 Problema de la granja
Recordemos que el modelo inicial del problema de la granja era:
[MAX]z = 50CEB + 80LEC
sujeto a:
4CEB + 8LEC 720 (1)
CEB + LEC 110 (2)
CEB 80 (3)

CEB, LEC 0

Las 3 restricciones de este modelo nos definen una regin factible (o dominio) en
el plano CEB/LEC donde se encuentran las infinitas soluciones factibles.
Grficamente lo representaremos por la siguiente figura:
Por otro lado, sabemos identificar las soluciones factibles en los vrtices (A, B, C,
D y O), una de las cuales ser la solucin ptima.
Finalmente, existira un segundo plano, perpendicular al del papel, y que
representara el plano de la funcin objetivo. El punto ptimo ser aquel de la
regin factible que est a mayor distancia (puesto que la funcin es de
maximizacin) entre el plano de la regin factible y el plano de la funcin objetivo.
Dado que tenemos resuelto el programa lineal, veamos que la tabla smplex nos
da la solucin en el punto:
Base Coefic. Valor
(RHS)
50
CEB
80
LEC
0
H3
0
H2
0
H1
H3 0 40 0 0 1 -2 0.25
CEB 50 40 1 0 0 2 -0.25
LEC 80 70 0 1 0 -1 0.25
7600 0 0 0 -20 -7.5

CEB* = 40
LEC* = 70
H3* = 40
Dualidad y anlisis de sensibilidad en programacin lineal
Para cuyo valor de la funcin objetivo es mximo en la regin factible y toma un
valor de beneficio de 7600.
Grficamente, este hecho significa que el punto ptimo se encuentra en la
interseccin de las restricciones (1) y (2), concretamente es la solucin factible en
el vrtice que hemos denominado B. Presentando una holgura respecto a la
restriccin (3) de H3 = 40.
El objeto de este ejemplo es ir ms all de lo estudiado hasta ahora,
adentrndonos en el mundo de las hiptesis y la sensibilidad que presenta el
ptimo frente a ellas. Empezaremos con hiptesis referentes a los trminos
independientes de las restricciones:
Cambios en el trmino independiente de las restricciones
Lo primero que deberamos notar es que dos de las restricciones son activas las
rectas (1) y (2) mientras que la (3) es NO activa, es decir, tiene holgura. El hecho
de que una restriccin sea activa tiene ciertas implicaciones, puesto que indica
que el recurso asociado a dicha restriccin ser escaso y nos limita un incremento
de la funcin objetivo. Como se ha visto anteriormente, las restricciones activas
tendrn un precio sombra diferente de cero. Esto significa que estaramos
dispuestos a negociar un incremento unitario del recurso a un precio inferior al
precio sombra (valor que aumenta la funcin objetivo por el aumento unitario del
recurso). En este caso, los precios sombra son positivos: si aumentamos las horas
de trabajo o la superficie cultivable, aumentaremos el beneficio.
Por el contrario, una restriccin NO activa est asociada a un recurso NO escaso,
del cual tenemos disponibilidad a un nivel de produccin ptimo; por tanto, ser
fcil concluir que su precio sombra asociado ser nulo. Al tener holgura en dicho
recurso no estaremos dispuestos a pagar ningn precio por un incremento unitario
del recurso y un incremento o decremento pequeo de su disponibilidad (ms
adelante veremos los lmites para los que es vlido este anlisis) no afectar al
valor de la funcin objetivo en el ptimo.

Lo expuesto hasta ahora lo trasladaremos a la exposicin grfica: un cambio en el
trmino independiente de una restriccin implica que la restriccin se mover
paralelamente a su posicin actual.
En el caso de la granja, un incremento en el valor del trmino independiente de
una restriccin implica que dicha restriccin se desplazar hacia el exterior de la
regin factible ampliando el rea de la regin factible; consecuentemente, el
ptimo se ver desplazado si la restriccin es activa, tal y como muestra el grfico
siguiente:
Mtodos cuantitativos en organizacin industrial I
El caso de la recta (4) equivale a la frontera CEB + LEC = 120, mientras que el de
la recta (5) equivaldra a la frontera CEB + LEC = 90. Recordemos que el valor
actual es CEB + LEC = 110.
Un hipottico aumento o reduccin de los recursos disponibles, en este caso de
las hectreas de terreno para cultivar, deforma la regin factible, desplazando el
ptimo si la restriccin estudiada es activa. El desplazamiento del ptimo implica,
as mismo, una variacin del valor de la funcin objetivo resultado de multiplicar el
precio sombra de la restriccin por el incremento del trmino independiente. En
nuestro ejemplo sabemos que el precio sombra de la restriccin (2) asociada al
rea tiene un valor de 20; por tanto, si aumentramos nuestra rea de cultivo de
110 a 120 Ha, nuestra funcin objetivo aumentara en 20*10=200 unidades,
pasando de un beneficio de 7600 a uno de 7800. Si, por el contrario, nuestra rea
de cultivo fuera de 90 Ha, la variacin sera en sentido opuesto 20*(-20)=400,
pasando el beneficio de 7600 a 7200.
No obstante, este incremento no se mantendr indefinidamente. Es fcil
comprender que si tuviramos un terreno ilimitado nuestro beneficio no sera
infinito, puesto que muy posiblemente la limitacin de otros recursos (mano de
obra disponible o cuota de hectreas de cebada) nos limitaran la produccin.
Este ltimo hecho est asociado a que las condiciones que configuran nuestra
solucin (la base) habrn cambiado.
El anlisis de sensibilidad resultar interesante, porque nos indicar el rango de
valores para cada trmino independiente de modo que no se modifique la base de
la solucin ptima (es decir, el ptimo se encuentre en la interseccin de las
mismas restricciones), mantenindose adems, para el citado rango de valores del
trmino independiente, el valor del precio sombra de la restriccin.
Es importante recordar que, como consecuencia de un desplazamiento de una
restriccin activa, se modificarn tanto el valor de las variables de decisin de la
base como el valor de la funcin objetivo.
Cambios en los coeficientes de coste

Los cambios en los coeficientes de la funcin objetivo provocan un cambio en la
inclinacin del plano oblicuo descrito por la funcin objetivo.

Intentaremos representar la funcin objetivo sobre el plano CEB/LEC como la
proyeccin sobre el plano CEB/LEC de la recta de interseccin entre el plano
definido por la funcin objetivo y un plano paralelo al plano CEB/LEC situado a
una altura Z* (valor de la funcin objetivo en el ptimo). Esta recta proyectada
sobre el plano CEB/LEC pasar por el punto de la solucin factible en el vrtice
ptima y definir una direccin perpendicular a la direccin de mximo crecimiento
de la funcin objetivo (o lo que es lo mismo, dicha recta muestra una direccin de
crecimiento nulo de la funcin objetivo).

La siguiente figura nos muestra las proyecciones de las rectas de interseccin
entre planos paralelos al plano CEB/LEC a alturas de 4000 (4), 7600 (5) y 9600 (6)
con el plano de la funcin objetivo. Se puede observar que la recta de interseccin
situada a una altura de 7600 pasa por el vrtice de la regin factible que es
ptimo.
Dualidad y anlisis de sensibilidad en programacin lineal
Si modificamos los coeficientes de la funcin objetivo, cambiar la direccin de
mximo crecimiento y, por tanto, cambiar tambin la pendiente de la recta
proyectada, tal y como se muestra en la siguiente figura:
En el grfico presentado se ha ido modificando el valor del coeficiente asociado a
la variable CEB.
Recordemos que la expresin original de la funcin objetivo era:
[MAX]Z = 50 CEB + 80 LEC , proyeccin que coincide con la recta (4) y cuya
interseccin se situaba a una distancia (altura, valor de la funcin objetivo) de
7600 respecto al eje FO.
En las rectas sucesivas hemos aumentado el coeficiente de CEB, resultando la
funcin objetivo con la siguiente expresin:
(5) [MAX]Z = 60 CEB + 80 LEC interseccin a distancia 8000
(6) [MAX]Z = 80 CEB + 80 LEC interseccin a distancia 8800
(7) [MAX]Z = 100 CEB + 80 LEC interseccin a distancia 10400
Queda claro, pues, que el hecho de aumentar el beneficio por hectrea de cebada
conlleva un aumento en el beneficio total (como era de esperar).
Mtodos cuantitativos en organizacin industrial I
No obstante, cuando el coeficiente de CEB toma un valor de 80 sucede un hecho
destacable: la proyeccin de la recta interseccin tiene una direccin paralela a la
restriccin (2), lo que implica que el ptimo no se encontrar slo sobre el vrtice
B, sino que se encontrar sobre el vrtice B, sobre el C, y sobre los infinitos
puntos que configuran la arista de unin BC, obtenindose un ptimo mltiple. Si
llegados a este punto, aumentramos un infinitsimo el coeficiente de CEB, nos
encontraramos con un cambio de base y el ptimo pasara de ubicarse en el
vrtice B a ubicarse en el vrtice C; este hecho sucede en el caso (7) donde la
solucin no es B sino C (80,30).
Lo que estudia el anlisis de sensibilidad de los coeficientes de coste es
precisamente dnde se encuentra el lmite superior e inferior de cada coeficiente
para que el ptimo se mantenga en el mismo vrtice (solucin) que en el programa
original, sabiendo que en el lmite (superior e inferior) el ptimo ser mltiple.
Cabe recordar que a pesar de que el valor de las variables de decisin de la
solucin ptima no cambia puesto que no cambia la solucin (ni se deforma la
regin factible), el valor de la FO en la solucin cambia al modificarse el valor de
sus coeficientes.
Anlisis paramtrico

El anlisis paramtrico se aplica cuando la variacin que sufre el trmino
independiente de una restriccin traspasa los lmites de los valores para los cuales
se mantiene la base.

El anlisis paramtrico tiene en cuenta una serie de intervalos sucesivos en la
evolucin del trmino independiente desde a +. En cada uno de estos
intervalos existir una base (vrtice) que indicar cul es la solucin ptima para el
intervalo, cules son los precios sombra (que se mantendrn) para las
restricciones activas en el intervalo y cul es el valor de la funcin objetivo en el
lmite superior e inferior del intervalo. Pudindose calcular su valor para el resto de
puntos intermedios multiplicando el incremento respecto al lmite por el valor del
precio sombra.
Estudiemos grficamente qu implica rebasar los lmites del intervalo de
mantenimiento de la base para el anlisis de sensibilidad, y para lo cual ser
necesario un anlisis paramtrico.
Si observamos la siguiente figura, podremos notar que la restriccin (2) ha
superado los lmites del anlisis de sensibilidad, superior en el caso de (7) e
inferior en el caso de (6).




Dualidad y anlisis de sensibilidad en programacin lineal
69
En el caso que la restriccin (2) tome la forma:

CEB + LEC 60 (6)

la regin factible habra quedado reducida al rea interior al tringulo definido por
CEB = 0, LEC = 0
y CEB + LEC = 60. El lmite de terreno disponible para cultivar sera mucho ms
restrictivo que las horas de mano de obra disponible o el lmite de cultivar 80
hectreas de cebada, y los vrtices de la regin factible seran los tres vrtices del
tringulo. Si los coeficientes de la funcin objetivo son 50 y 80 para la cebada y la
lechuga respectivamente, est claro que cultivaramos las 60 Ha de nuestro
terreno exclusivamente con lechuga.

Por otro lado, si lo que sucediera es que el trmino independiente de la restriccin
(2) excede su valor del anlisis de sensibilidad, como ocurre en el caso de (7):
CEB + LEC 160 (7)
En este caso, la regin factible sera el espacio contenido dentro de las
restricciones (1) y (3) se pue-de avanzar que el punto ptimo sera el vrtice de
interseccin entre (1) y (3). La restriccin (2) no sera activa y en consecuencia
tendra un precio sombra nulo.
Puede observarse, por lo tanto, que el anlisis paramtrico requiere de un
conocimiento mucho ms profundo del problema y de la modelizacin que el
anlisis de sensibilidad, y que en cada anlisis solamente podr tenerse en cuenta
una restriccin, dejando el resto de condiciones invariables.
3.3.2 Anlisis de sensibilidad mediante programas informticos
Los programas informticos que resuelven modelos de programacin lineal, como
el LINDO, suelen incorporar la posibilidad de realizar el anlisis de sensibilidad de
los coeficientes de coste c y de los trminos independientes de las restricciones b.
El resultado de este anlisis es el intervalo de valores de estos parmetros para el
que se mantiene la base. En el ejemplo siguiente (que corresponde al problema
resuelto 4.1) vemos cmo muestra el programa LINDO los resultados del anlisis
de sensibilidad.

Ejemplo 3.2.1 Anlisis de sensibilidad con el programa LINDO
A continuacin presentaremos los resultados de la resolucin mediante el
programa LINDO del modelo lineal:
MAX 20P1 + 60P2
ST
HH) 30P1 + 20P2 < 2700
HM) 5P1 + 10P2 < 850
PM) P1 + P2 > 95
END

La primera parte corresponde a la resolucin del modelo (cuya interpretacin ya se
analiz en el tema anterior):
LP OPTIMUM FOUND AT STEP 2
OBJECTIVE FUNCTION VALUE
1) 4900.000
Mtodos cuantitativos en organizacin industrial I
70
VARIABLE VALUE REDUCED COST
P1 20.000000 0.000000
P2 75.000000 0.000000

ROW SLACK OR SURPLUS DUAL PRICES
HH) 600.000000 0.000000
HM) 0.000000 8.000000
PM) 0.000000 -20.000000

NO. ITERATIONS= 2

Ahora, sin embargo, podemos interpretar totalmente los resultados. La columna
dual prices muestra el valor de las variables duales asociadas a las restricciones
en el ptimo. En el caso del programa LIN-DO, es importante saber que cuando
analizamos un modelo de mnimo el programa nos da el valor de las variables
duales cambiadas de signo.
Si al resolver el modelo, respondemos s (yes) a la pregunta DO (RANGE)
SENSITIVITY ANALY-SIS?, obtenemos el siguiente listado:
RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
P1 20.000000 10.000000 INFINITY
P2 60.000000 INFINITY 20.000000

RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
HH 2700.000000 INFINITY 600.000000
HM 850.000000 100.000000 300.000000
PM 95.000000 15.000000 10.000000

El programa nos suministra los rangos para los que la base no vara (RANGES IN
WHICH THE BA-SIS IS UNCHANGED):

a) Los coeficientes de la funcin objetivo (OBJ COEFFICIENT RANGES) de cada
una de las variables.
b) Los trminos independientes, que el programa llama valores del lado derecho
(RIGHTHAND
SIDE RANGES) de cada una de las restricciones.

Para cada uno de estos parmetros, el listado suministra el valor original del
modelo (CURRENT CO-EF para los coeficientes de coste y CURRENT RHS para
los trminos independientes), y los incrementos mximo (ALLOWABLE
INCREASE) y mnimo (ALLOWABLE DECREASE) para los que se mantiene la
base.
Por ejemplo, los valores del trmino independiente de la restriccin HM para los
que no cambia la base son:
[850 300, 850 + 100]
[550, 950]
Y el rango de valores del coeficiente de coste de la variable P2 para el que no
cambia la base es:
71
[60 20, 60 + ]
[40, ]

Como hemos visto anteriormente, esto no significa que el valor de las variables en
el ptimo y el valor de la funcin objetivo sea el mismo. Recordemos que en el
caso de variaciones de c el valor de las variables no vara, pero s la funcin
objetivo. Cuando variamos b, cambian los valores de las variables de decisin
(aunque las no bsicas siguen valiendo cero), y en consecuencia tambin el valor
de la funcin objetivo.
3.4 Ejercicios resueltos
Seguidamente se muestra un ejemplo de anlisis de sensibilidad e interpretacin
de variables duales como precios sombra en un problema sencillo de dos
variables (el lector puede realizar el anlisis de sensibilidad grficamente). Ya se
haba utilizado este mismo modelo en los ejemplos 2.4.1 y 3.2.1, para introducir la
dualidad y el anlisis de sensibilidad en programas informticos. Ahora se muestra
cmo responder a preguntas relacionadas con la naturaleza del modelo usando
dualidad y anlisis de sensibilidad.



3.4.1 Taller mecnico

Un taller mecnico puede fabricar dos tipos de productos, P1 y P2. El beneficio
unitario obtenido con cada producto es de 20 y 60, respectivamente. Para fabricar
estos dos productos, dispone de dos recursos, horas hombre (HH) y horas
mquina (HM). En lo que respecta a las HH, dispone de 2.700, y fabricar una
unidad de P1 consume 30 HH, y una de P2 20 HH. Dispone de 850 HM, y
sabemos que fabricar una unidad de P1 consume 5 HM, y una de P2 10 HM.
Adems, las condiciones contractuales le obligan a fabricar un mnimo de 95
unidades, sea de P1 o de P2. Para maximizar el beneficio, el jefe del taller
mecnico ha elaborado el siguiente modelo:
MAX 20P1 + 60P2
ST
HH) 30P1 + 20P2 < 2700
HM) 5P1 + 10P2 < 850
PM) P1 + P2 > 95
END
Una vez resuelto este modelo con un programa informtico, se han obtenido los
siguientes resultados:
PTIMO OBTENIDO EN EL PASO 2
VALOR FUNCIN OBJECTIVO

1) 4900.000

VARIABLE VALOR COSTE REDUCIDO
P1 20.000000 0.000000
P2 75.000000 0.000000

FILA HOLGURA O EXCESO VARIABLES DUALES
HH) 600.000000 0.000000
HM) 0.000000 8.000000
PM) 0.000000 -20.000000

NO. ITERACIONES= 2
Mtodos cuantitativos en organizacin industrial I
RANGOS PARA LOS QUE NO CAMBIA LA BASE:

RANGOS COEFICIENTES DE COSTE
VARIABLE COEF INCREMENTO DECREMENTO
ACTUAL PERMITIDO PERMITIDO
P1 20.000000 10.000000 INFINITO
P2 60.000000 INFINITO 20.000000

RANGS TERMES INDEPENDENTS
FILA TRMINO INCREMENTO DECREMENTO
ACTUAL PERMITIDO PERMITIDO
HH 2700.000000 INFINITO 600.000000
HM 850.000000 100.000000 300.000000
PM 95.000000 15.000000 10.000000

Aunque hemos traducido los resultados del modelo, el encargado no entiende
nada, y le ha pedido que analice los resultados. En la prctica, desea que les
responda a las siguientes preguntas:
a) Escriba el dual del modelo original, indicando el sentido de las variables duales
en cada caso.
b) Escriba el modelo original en forma estndar, con las variables de holgura y
exceso de las restricciones. Qu variables forman la base en el ptimo?

c) Qu beneficio adicional se obtiene al contratar una hora ms de trabajo?
Justifique brevemente su respuesta a partir de los resultados indicados.
d) Si el beneficio obtenido con P2 pasa de 60 a 50, el ptimo cambia? Y el
valor de la funcin objetivo? Razone brevemente su respuesta.
e) El cliente est dispuesto a negociar la cantidad mnima a suministrar de
producto. Vale la pena?
Si es as, propondra aumentar o disminuir la cantidad mnima? Qu precio
estara dispuesto a pagar por aumentar (o disminuir) esta cantidad mnima?
Hasta qu valor estara dispuesto a au-mentar (o disminuir) esta cantidad?
Solucin
a) Escriba el dual del modelo original, indicando el sentido de las variables duales
en cada caso.
MIN 2700HH + 850HM + 95PM
30HH + 5HM + PM 20
20HH + 10HM + PM 60
HH, HM 0
PM 0
HH, HM y PM representan el incremento del beneficio por incremento de horas
hombre, horas mquina y produccin mxima, respectivamente.

b) Escriba el modelo original en forma estndar, con las variables de holgura y
exceso de las restricciones. Qu variables forman la base en el ptimo?
Esta es la forma estndar del modelo. H(xx) representan variables de holgura, y
E(xx) representan
Variables de exceso de la restriccin xx.
MAX 20P1 + 60P2
Dualidad y anlisis de sensibilidad en programacin lineal
HH) 30P1 + 20P2 + H(HH) = 2700
HM) 5P1 + 10P2 + H(HM) = 850
PM) P1 + P2 + E(PM) = 95
P1, P2, H(HH), H(HM), E(PM) 0

Del examen de la solucin ptima, encontramos que las variables bsicas son P1,
P2 y H(HH). El nmero de variables bsicas es igual al de restricciones.
c) Qu beneficio adicional se obtiene al contratar una hora ms de trabajo?
Justifique brevemente su respuesta a partir de los resultados indicados.
No se obtiene ningn beneficio adicional. Puede verse por el hecho de que H(HH)
= 600 (es decir, sobran 600 horas de trabajo), y por el hecho de que la variable
dual asociada a la restriccin HH es igual a cero.
d) Si el beneficio obtenido con P2 pasa de 60 a 50, el ptimo cambia? Y el
valor de la funcin objetivo? Razone brevemente su respuesta.
Si observamos en la solucin del programa informtico los rangos de valores para
los que no cambia la base, encontramos que el beneficio por unidad de P2
(coeficiente de coste de P2 en la funcin objetivo) puede bajar hasta 40 sin que
cambie la base. Sabemos que, en estas condiciones, no cambia el valor del
ptimo, que contina siendo P1 = 20, y P2 = 75. En cuanto al valor de la funcin
objetivo, como para cada unidad de P2 tenemos una disminucin del beneficio de
10, el valor de esta funcin disminuye en 10 75 = 750. Entonces el beneficio total
ha sido de 4.900 750 = 4.150.
e) El cliente est dispuesto a negociar la cantidad mnima a suministrar de
producto. Vale la pena?
Si es as, propondra aumentar o disminuir la cantidad mnima? Qu precio
estara dispuesto a pagar por aumentar (o disminuir) esta cantidad mnima?
Hasta qu valor estara dispuesto a au-mentar (o disminuir) esta cantidad?
La variable dual de la restriccin PM vale 20. Esto significa que, si podemos,
hemos de intentar disminuir esta cantidad mnima. De hecho, podemos estar
dispuestos a pagar hasta 20 um por unidad que disminuye esta cantidad mnima.
El valor mximo con que puede bajarse esta cantidad sin que cambie la base es
10, tal como puede verse en los rangos de valores de los trminos independientes
del anlisis de sensibilidad. Esto significa que, por debajo de 95 10 = 85, la
restriccin PM no es activa, y no vale la pena pagar por variarla.
3.5 Glosario de trminos
Anlisis de sensibilidad

Estudio de las variaciones que se producen en la solucin de un modelo lineal
cuando varan los par-metros de dicho modelo. El anlisis de sensibilidad ms
usual se realiza para variaciones de los coeficientes de coste c y los trminos
independientes b. Tambin es posible analizar el impacto de variaciones de los
coeficientes tecnolgicos de la matriz A, y el efecto de aadir nuevas variables y
nuevas restricciones.
Base, cambio de
Cuando alguno de los parmetros vare fuera de los intervalos obtenidos por
anlisis de sensibilidad, tendremos un cambio de base. En resolucin grfica, esto
supone que la solucin se encuentra en un vrtice diferente al de la solucin
original. En general, implica que las variables bsicas son diferentes de dicha
solucin original.
Dual de un programa lineal
Es otro programa lineal, que puede obtenerse a partir de un conjunto de reglas,
cuya solucin u es el valor de los precios sombra de las restricciones del programa
original. La correspondencia es biunvoca: el dual del dual es el primal.
Holgura complementaria, teorema de la
Teorema que enuncia que el precio sombra de una restriccin que no se cumple
con el signo igual (esto es, cuya variable de holgura o exceso es diferente de cero)
es igual a cero.
Precio sombra
El precio sombra de una restriccin es el incremento de la funcin objetivo por
unidad de incremento del trmino independiente de la restriccin, dentro del rango
de valores del trmino independiente que nos suministra el anlisis de
sensibilidad. El precio sombra puede ser negativo (la funcin objetivo disminuye al
aumentar el trmino independiente) positivo (la funcin objetivo aumenta) o nulo
(para las restricciones que se cumplan con holgura o exceso no nulos).
Primal
Es el problema original del que se obtiene el programa dual. A su vez, es el dual
de dicho dual.
Rangos de valores
Intervalos de valores de los coeficientes de coste y trminos independientes para
los que no vara la base ptima en un modelo lineal. Es el resultado del anlisis de
sensibilidad obtenido por programas informticos.