Introducción

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

programación lineal fue el concepto de dualidad y sus muchas e importantes
ramificaciones. Este descubrimiento revelo que asociado a todo problema de
programación lineal existe otro problema lineal llamado dual. Las relaciones entre el
dual y su original (llamado primal) son extremadamente útiles en una gran variedad de
situaciones. Por ejemplo, se verá que de hecho la solución óptima del problema dual
es la que proporciona los precios sombra descritos en las practicas al introducir el
análisis de sensibilidad. Uno de los papeles clave que juega la teoría de la dualidad es
la interpretación y realización del análisis de sensibilidad. De hecho la dualidad nos
permitirá tratar dicho análisis desde el punto de vista algebraico pudiendo así
generalizarlo y aplicarlo a cualquier problema de programación lineal,
independientemente de cual sea su tamaño, número de variables y/o restricciones.
Los orígenes de la dualidad, tal y como hoy se conoce, son, en boca del propio
Dantzig , atribuibles al célebre matemático John Von Neumann, quien, en octubre de
1947, conjeturó por primera vez la existencia de un problema dual asociado al modelo
de programación lineal. Dantzig había acudido a Von Neumann en busca de
sugerencias e ideas para desarrollar nuevas técnicas para resolver el modelo de
programación lineal pues, por aquel entonces los ordenadores todavía no se habían
desarrollado y el potencial del método Simplex estaba aún por descubrir.
 Programación dual y construcción de modelos dual

Modelo dual: Es una programación lineal obtenida en forma directa y sistemática a

partir del modelo primal, los modelos primal y dual están relacionados de tal manera
que la solución simplex óptimo de uno de ellos produce automáticamente la solución
del otro.

La importancia de la teoría de la dualidad se puede resumir, entre otros aspectos, en lo

siguiente:

 Permite resolver problemas de programación lineal de forma más rápida y

sencilla.

 Es otra vía para resolver un problema de programación lineal.

 Facilita profundizar en el contenido económico del problema original (primal).

 Puede ser utilizada para resolver el caso en que se debe considerar la

introducción de una nueva variable en el primal una vez que ha de sido obtenida la
solución óptima, sin tener que resolver completamente el problema.

Relaciones entre el método primal y el dual

 El dual tiene la matriz D transpuesta, es decir, si suponemos que D es de orden

sx r, entonces Dt es de orden r x s. Además las variables del primal y el dual son
diferentes, ya que X será un vector de r-componentes mientras que el vector Y
tendrá s-componentes.

 Los términos independientes del conjunto de las restricciones del problema

primal forman los coeficientes de la función objetivo del dual.

 Los coeficientes de la función objetivo del primal forman los términos

independientes de las restricciones del dual.

 Las restricciones del dual cambian su sentido al igual que el criterio de

optimización en términos de mínimo o máximo.

 A cada restricción del problema primal le corresponde una variable dual y

análogamente a cada restricción del dual le corresponde una variable del primal.

 Si se halla el dual del problema dual, obtendremos el problema primal.

En consecuencia, con el problema primal en la forma de maximización, el problema
dual está en la forma de minimización. Aún más, el problema dual usa exactamente los
mismos parámetros que el problema primal, pero en diferentes lugares, tal como se
resume a continuación.
1. Los coeficientes de la función objetivo del problema primal son los lados derechos
de las restricciones funcionales del problema dual.
2. Los lados derechos de las restricciones funcionales del problema primal son los
coeficientes de la función objetivo del problema dual.
3. Los coeficientes de una variable de las restricciones funcionales del problema primal
son los coeficientes de una restricción funcional del problema dual

Interpretación de la variables duales

Cada variable del dual está asociada a una restricción del programa primal, y su valor
óptimo representa el incremento de la función objetivo del primal por cada unidad que
aumente el término independiente de dicha restricción, siempre que este último
aumento no suponga un cambio de base. Es, por tanto, el precio adicional máximo que
estamos dispuestos a pagar por el incremento del recurso. Los valores de estas
variables se denominan precios sombra.

Los modelos duales pueden ser simétricos o asimétricos; a continuación explicaremos

en que consiste cada uno.

Duales simétricos
Son los que se obtienen de un problema primal en forma canónica y ‘normalizada’, es
decir, cuando llevan asociadas desigualdades de la forma mayor o igual en los
problemas de minimización, y desigualdades menores o igual para los problemas de
maximización. Es decir, si el problema original es de la siguiente forma:
Máx. Z(x) = ct x
S.A:
Ax≤b
X≥0
El problema dual (dual simétrico) es:
Mín. G (λ) = λ b
S. A:
λA≥c
λ≥0
Dual asimétrico
Son los restantes tipos de combinaciones de problema. Como por ejemplo:
Máx. Z(x) = ct x
S. A:
Ax=b
X≥0
El problema dual (dual asimétrico) es:
Mín. G (λ) = λ b
S. A:
λA≥c
λ >< 0, es decir, variables libres.

Obtención de la solución del dual

El dual de un modelo lineal es otro modelo lineal, que puede solucionarse (después de
las oportunas transformaciones, si algunas 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 solución del dual resolviendo el primal.

Método Simplex Dual: Este método se aplica a problemas óptimos pero infactibles.
En este caso, las restricciones se expresan en forma canónica (restricciones). La
función objetivo puede estar en la forma de maximización o de minimización. Después
de agregar las variables de holgura y de poner el problema en la tabla, si algún
elemento de la parte derecha es negativo y si la condición de optimidad está
satisfecha, el problema puede resolverse por el método dual simplex. Note que un
elemento negativo en el lado derecho significa que el problema comienza óptimo pero
infactible como se requiere en el método dual simplex. En la iteración donde la
solución básica llega a ser factible esta será la solución óptima del problema.
La interpretación del problema dual proporciona también una interpretación económica
de lo que hace el método símplex en el problema dual. La meta del símplex es
encontrar la manera de usar los recursos disponibles en la forma más redituable. Para
alcanzarla, debe llegar a una solución BF que satisfaga todos los requisitos sobre el
uso provechoso de los recursos (las restricciones del problema dual). Estos requisitos
comprenden la condición de optimalidad del algoritmo. Para cualquier solución BF
dada, los requisitos (restricciones duales) asociados con las variables básicas se
satisfacen de manera automática (con la igualdad). Sin embargo, los asociados con
las variables no básicas pueden o no ser satisfechos. En particular, si una variable
original x j es no básica y por ende la actividad j no se usa, la contribución actual a
la utilidad debida a esos recursos, que se requerirían para emprender cada unidad de
la actividad j
m

∑ aij y i
i=1

La dualidad es importante por el hecho de que es equivalente resolver un problema a

resolver su dual. Ello es debido a que los precios sombra de dual son las soluciones
de problemas y viceversa. Así, en ocasiones, puede resultar conveniente obtener las
soluciones de problemas a partir de los precios sombra de dual en vez de resolver
problemas directamente.
La resolución de los problemas duales respecto a los primales se justifica dada la
facilidad que se presenta dados problemas donde el número de restricciones supere al
número de variables. Además de tener gran aplicación en el análisis económico del
problema; la dualidad tiene ventajas y desventajas las cuales son:

Ventajas:
  Reducir el esfuerzo computacional al resolver ciertos modelos de
programación lineal.
 Permite resolver problemas de programación lineal de forma más rápida y
sencilla.
 Es otra vía para resolver un problema de programación lineal.
 Facilita profundizar en el contenido económico del problema original (primal).
 Puede ser utilizada para resolver el caso en que se debe considerar la
introducción de una nueva variable en el primal una vez que ha de sido
obtenida la solución óptima, sin tener que resolver completamente el problema.
 Dado al número de restricciones y variables entre problema dual y primal es
inverso, se pueden resolver gráficamente problemas que presenten dos
restricciones sin importar el número de variables.
Desventajas:
 La única desventaja de este método, es que se requiere para empezar a iterar
la condición de factibilidad dual.

Análisis de sensibilidad
Es una herramienta útil cuando no tenemos una certeza absoluta sobre los valores
que se han dado a los términos independientes de las restricciones o los coeficientes
de la función objetivo, en este sentido el análisis de sensibilidad consiste en estudiar
cómo evoluciona el óptimo y el valor de la función objetivo del optimo ante variaciones
de dichos términos independientes y coeficientes.
Estudia los intervalos para los cuales la modificación de un valor en el programa lineal
de forma individualizada, no cambia las variables que componen la base de nuestra
solución, hallando para el rango de valores definido en el intervalo, la evolución de la
función objetivo expresado a través de los precios sombra. El objetivo del análisis de
sensibilidad es establecer un intervalo de números reales en el cual el dato que se
analiza puede estar contenido, de tal manera que la solución sigue siendo óptimo
siempre que el dato pertenezca a dicho intervalo, Investigar el cambio en la solución
óptima del problema, cuando se producen cambios en los parámetros del modelo.

Características del análisis de sensibilidad

El análisis de sensibilidad es una herramienta efectiva por dos razones
fundamentales.
Los modelos de programación lineal son frecuencias grandes y costosas por lo tanto
no es recomendable para usarlos en un solo caso.
Los elementos que se dan como datos para un problema de programación lineal la
mayoría de las veces son estimaciones; por lo tanto es necesario investigar o tener en
cuenta más de un conjunto de casos posibles.

Conclusión
Hay que considerar que todo problema de programación lineal tiene, asociado a él, un
problema dual de programación lineal. Existen ciertas relaciones útiles entre el
problema original (primal) y su problema dual que refuerzan la habilidad para analizar
el problema original. Por ejemplo, la interpretación económica del problema dual
proporciona los precios sombra que miden el valor marginal de los recursos en el
problema primal, al igual que permite dar una interpretación del método símplex.
Puesto que el método símplex se puede aplicar directamente a cualquiera de los dos
problemas para obtener la solución de ambos al mismo tiempo, es posible ahorrar una
gran cantidad de esfuerzo computacional si se maneja directamente el problema dual.
Bibliografía
S. Hillier, F., & Lieberman, G. (2010). INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONEs.
Mexico D.F: McGRAW-HILL.