5 Sensibilidad-Dualidad

Investigación Operativa 1
Capítulo 5: Análisis de sensibilidad y

dualidad
Profesor: Wilmer Atoche

ÍNDICE
1. Forma matricial de programación lineal.
2. Análisis de sensibilidad.
3. Determinación del dual de un problema de
programación lineal.
4. Interpretación económica del problema dual.
5. Teorema de dualidad.
6. Precios sombra.
7. Holgura complementaria.
8. Método símplex para resolver problemas duales.
2
1. Forma matricial de programación
lineal (1)
VB = {VB1, VB2, …, VBm} es el conjunto de
variables básicas en la tabla símplex óptima.
VNB = {VNB1, VNB2, …, VNBn} es el conjunto de
variables no básicas en la tabla símplex óptima.
XVB es el vector columna [XVB1 XVB2 ∙∙∙ XVBm]T de
orden m x 1 que contiene las variables básicas.
XVNB es el vector columna [XVNB1 XVNB2 ∙∙∙ XVNBn-m]T
de orden (n-m) x 1 que contiene las variables no
básicas.
3
lineal (2)
cVB es el vector fila [cVB1 cVB2 ∙∙∙ cVBm] de orden 1
x m.
cVNB es el vector fila de orden 1 x (n-m) cuyos
elementos son los coeficientes de las variables
no básicas (en el orden de VNB).
aj es el vector columna de orden 1 x m
correspondiente a la variable xj.
La matriz B de orden m x m es aquella cuya
columna j-ésima es la columna para VBj.
4
lineal (3)
N es la matriz de orden m x (n-m) cuyas

columnas son las columnas de las variables no
básicas.
El vector columna b de orden m x 1 es el lado

derecho de las restricciones del problema de PL.
5
lineal (4)
El problema de PL en forma matricial se puede expresar
como:
z = cVBXVB + cVNBXVNB
Sujeta a
BXVB + NXVNB = b
Con XVB, XVNB ≥ 0
Sea Zj - Cj el coeficiente de xj, en la fila cero de la tabla

símplex óptima Zj – Cj = cVB B-1 aj – cj y el lado derecho de
la fila cero de la tabla óptima Z = cVB B-1b
6
2. Análisis de sensibilidad
El análisis de sensibilidad se basa en la proposición

de que todos los datos con excepción de una parte
en el problema, se conservan fijos y que pedimos
información sobre el efecto del cambio en esa parte
de los datos a la que se le permite variar.
7
Intervalos de sensibilidad para los
coeficientes de la función objetivo
8
Caso: High Note Sound Company
La High Note Sound Company fabrica reproductores

de disco compacto (CD) de calidad y receptores
estereofónicos. Cada uno de estos productos
requiere de una cierta cantidad de mano de obra
calificada de la cual existe una oferta semanal
limitada.
9
Solución óptima usando el método gráfico
Maximizar Z = 50X1 + 120X2
(maximizar utilidades)
Sujeto a
2X1 + 4X2 ≤ 80
(disponibilidad de tiempo de
electricista en horas)
3X1 + 1X2 ≤ 60
técnico de audio en horas)
Con X1, X2 ≥ 0
Solución óptima
X1 = 0 reproductores de CD
X2 = 20 receptores estéreo 10
Solución óptima usando el método símplex
Cj 50 120 0 0
Variables X1 X2 X3 X4 Valor
básicas
120 X2 1/2 1 1/4 0 20
0 X4 5/2 0 -1/4 1 40
Zj 60 120 30 0
Zj – Cj 10 0 30 0 2400
X2 = 20 receptores estéreo Variables

X4 = 40 horas de tiempo no utilizado de técnico de audio básicas
X1 = 0 reproductores de CD Variables
X3 = 0 horas de tiempo no utilizado de electricista No básicas11
Coeficientes no básicos de la función
objetivo (1)
Pregunta: ¿cuánto tendrían que cambiar los coeficientes de la función
objetivo antes de que las variables no básicas entraran a la mezcla de
solución y reemplazaran a una de las variables básicas?
Cj 50 120 0 0
básicas
120 X2 1/2 1 1/4 0 20
0 X4 5/2 0 -1/4 1 40
Zj 60 120 30 0
Zj – Cj 10 0 30 0 2400
La respuesta se encuentra en la fila Zj - Cj de la tabla símplex final. 12

objetivo (2)
 En un problema de maximización, la base no cambiará a menos que el
valor de Zj - Cj de una de las variables no básicas se vuelva negativo.
• La solución actual será óptima en tanto todos los números de la fila
inferior sean mayores que o iguales a cero.
• La solución NO es óptima si el valor Zj - Cj de los X es < 0.
 Los valores Cj de X que no producen ningún cambio en la solución
óptima están dados por Zj - Cj ≥ 0, o Zj ≥ Cj.
13
objetivo (3)
 En este ejemplo:
• Los valores de X1 son C1 = 50 y Z1 = 60.
• La solución actual es óptima en tanto la utilidad por cada
reproductor de CD sea menor que I/.60.00 o no se incremente en
más de I/.10.00.
 Cuando se maximiza una función objetivo, Cj puede ser incrementado
hasta el valor de Zj.
 El valor de Cj para variables no básicas puede disminuir a infinito
negativo sin afectar la solución.
• Este cambio de los valores de Cj se llama intervalo de sensibilidad
para variables no básicas.
 -∞ ≤ Cj’ ≤ 60
14
objetivo (4)
Intervalos de sensibilidad
Sea Xk la variable no básica.
-∞ ≤ Ck’ ≤ Ck + (Zk - Ck)
15
MAX 50 X1 + 120 X2
SUBJECT TO
2)
3)
2 X1 + 4 X2 <=
3 X1 + X2 <= 60
80 Coeficientes no
END
OBJECTIVE FUNCTION VALUE
1) 2400.000
básicos de la
VARIABLE VALUE REDUCED COST
X1 0.000000 10.000000 función objetivo -
X2 20.000000 0.000000
ROW
2)
SLACK OR SURPLUS
0.000000
DUAL PRICES
30.000000 LINDO
3) 40.000000 0.000000
THE TABLEAU
ROW (BASIS) X1 X2 SLK 2 SLK 3
1 ART 10.000 0.000 30.000 0.000 2400.000
2 X2 0.500 1.000 0.250 0.000 20.000
3 SLK 3 2.500 0.000 -0.250 1.000 40.000
RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 50.000000 10.000000 INFINITY
X2 120.000000 INFINITY 20.000000
RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 80.000000 160.000000 80.000000 16
3 60.000000 INFINITY 40.000000
Coeficientes básicos de la función
objetivo (1)
 Un cambio en la utilidad o costo de una variable básica puede afectar

los valores Zj - Cj de todas las variables no básicas porque esta Cj no
sólo está en la fila Cj sino también en la columna Cj.
• Esto impacta en la fila Zj.
 Considere cambiar la contribución a la utilidad de los receptores
estéreo del problema.
 Actualmente, el coeficiente de la función objetivo es 120.
 El cambio en este valor puede ser denotado por la letra griega delta
mayúscula (∆).
 La tabla simplex final es modificada a continuación.
17
objetivo (2)
Cj 50 120+ 0 0
Básicas
120+ X2 1/2 1 1/4 0 20
0 X3 5/2 0 -1/4 1 40
Zj 60+/2 120+ 30+/4 0
Zj - Cj 10+/2 0 30+/4 0 2400+20
 Los nuevos valores Zj - Cj para variables no básicas X1 y X3 fueron

determinados en la misma manera que anteriormente.
 Pero dondequiera que el valor de C2 para X2 de 120 fue utilizado, un
nuevo valor de 120+∆ será empleado.
18
objetivo (3)
 ¿Cómo puede variar el valor de ∆ de modo que todos los valores Zj - Cj

permanezcan positivos?
 En la columna X1
10+/2 ≥ 0, /2 ≥ -10,  ≥ -20
 En la columna X3
30+/4 ≥ 0, /4 ≥ -30,  ≥ -120
 Como la primera desigualdad es más exigente,  = -20 y se puede decir
que el intervalo de sensibilidad del coeficiente de utilidad de X2 es:
100 ≤ Cj (para X2) ≤ +∞
19
objetivo (4)
Intervalo de sensibilidad
Sean aij los valores de la tabla símplex donde i es la fila de la
variable básica Xk y j es la columna de una variable no básica.
máximo {Ck – (Zj – Cj) / aij} ≤ Ck’ ≤ mínimo {Ck – (Zj – Cj) / aij}
aij > 0 aij < 0
Si no hay aij negativos, entonces:

máximo {Ck – (Zj – Cj) / aij} ≤ Ck’ ≤ +∞
aij > 0
Si no hay aij positivos, entonces:

-∞ ≤ Ck’ ≤ mínimo {Ck – (Zj – Cj) / aij}
aij < 0 20
MAX 50 X1 + 120 X2
SUBJECT TO
2)
3)
2 X1 + 4 X2 <=
3 X1 + X2 <= 60
80 Coeficientes
END
1) 2400.000
básicos de la
VARIABLE
X1
VALUE
0.000000
REDUCED COST
10.000000 función objetivo -
X2 20.000000 0.000000
ROW
2)
SLACK OR SURPLUS
0.000000
DUAL PRICES
30.000000 LINDO
3) 40.000000 0.000000
THE TABLEAU
1 ART 10.000 0.000 30.000 0.000 2400.000
2 X2 0.500 1.000 0.250 0.000 20.000
3 SLK 3 2.500 0.000 -0.250 1.000 40.000

X1 50.000000 10.000000 INFINITY
X2 120.000000 INFINITY 20.000000
2 80.000000 160.000000 80.000000 21
3 60.000000 INFINITY 40.000000
Intervalos de sensibilidad para los
lados derechos de las restricciones
22
Solución óptima usando el método gráfico
Maximizar Z = 50X1 + 120X2
(maximizar utilidades)
Sujeto a
2X1 + 4X2 ≤ 80
electricista en horas)
3X1 + 1X2 ≤ 60
técnico de audio en horas)
Con X1, X2 ≥ 0
Solución óptima
X1 = 0 reproductores de CD
X2 = 20 receptores estéreo 23
Solución óptima usando el método
símplex (1)
Cj 50 120 0 0
básicas
120 X2 1/2 1 1/4 0 20
0 X4 5/2 0 -1/4 1 40
Zj 60 120 30 0
Zj – Cj 10 0 30 0 2400
X2 = 20 receptores estéreo Variables

X4 = 40 horas de tiempo no utilizado de técnico de audio básicas
X1 = 0 reproductores de CD Variables
X3 = 0 horas de tiempo no utilizado de electricista No básicas24
Solución óptima usando el método
símplex (2)
Cj 50 120 0 0
básicas
120 X2 1/2 1 1/4 0 20
0 X4 5/2 0 -1/4 1 40
Zj 60 120 30 0
Zj – Cj 10 0 30 0 2400
La función objetivo se incrementa en I/.30.00 si se dispone de 1

hora adicional de tiempo de electricista
25
Cambios en los recursos o valores del
lado derecho (1)
Interpretación de resultados
 La tabla símplex final indica que la solución óptima es: X1 = 0,
X2 = 20, X3 = 0, y X4 = 40 y que la utilidad = I/.2,400.00.
• X3 representa la disponibilidad sobrante del recurso
electricista y X4 el tiempo no utilizado en el departamento de
técnico de audio.
 La empresa está considerando emplear un electricista más de
medio tiempo.
• Asuma que esto costará I/.22.00 por hora de salario y
beneficios.
¿Deberá contratarlo la empresa?
 La respuesta es si;
• El precio sombra del recurso de tiempo de electricista es
I/.30.00.
 La firma obtendrá I/.8.00 (= 30.00 – 22.00) netos por cada hora
26
que el trabajador ayude en el proceso de producción.
Cambios en los recursos o valores del
lado derecho (2)
Interpretación de resultados (continuación)
¿Deberá la empresa contratar un técnico de audio a razón de
I/.14.00 por hora?
 La respuesta es no;
• El precio sombra es I/.0.00, lo que implica que no habrá ningún
incremento de la función objetivo por tener disponible más de este
segundo recurso.
 ¿Por qué?
 Porque no todo el recurso es utilizado actualmente, aún están
disponibles 40 horas.
 Difícilmente valdría la pena comprar más de este recurso.
27
Lado derecho de restricciones activas (1)
 El rango sobre el cual los precios sombras permanecen
válidos se llama rango del lado derecho.
 La determinación del rango se parece al proceso símplex
que se utilizó para encontrar la relación mínima de una
nueva variable
 Mirando X3 y la columna de cantidad:
Relación positiva más pequeña = 20/(1/4) = 80
Relación negativa más pequeña = 40/(-1/4) = -160
Cj 50 120 0 0
básicas
120 X2 1/2 1 1/4 0 20
0 X4 5/2 0 -1/4 1 40
Zj 60 120 30 0
Zj – Cj 10 0 30 0 240028
Lado derecho de restricciones activas (2)
 La relación positiva más pequeña (80 en este ejemplo) dice
cuántas horas del recurso de tiempo de electricista pueden
ser reducidas sin modificar la mezcla de la solución actual.
 El recurso RHS puede ser reducido hasta en 80 horas,
• Básicamente desde las 80 horas actuales hasta en 0 horas,
sin hacer que una variable básica salga de la solución.
 La relación negativa más pequeña (-160 en este ejemplo)
indica el número de horas que pueden ser agregadas al
recurso antes de que la mezcla de solución cambie.
 Ahora, el tiempo del electricista puede ser incrementado en
160 horas, hasta 240 (= 80 actuales + 160 que se pueden
agregar) horas.
 Rango del tiempo del electricista dentro del cual el precio
sombra de I/.30.00 es válido.
• Este rango es de 0 a 240 horas.
29
Lado derecho de restricciones activas ≤
Sea bk el lado de la restricción activa, y aij los valores de la tabla
símplex donde i es la fila de una variable básica Xi y j es la columna
de la variable no básica.
máximo {bk – Xi* / aij} ≤ bk’ ≤ mínimo {bk – Xi* / aij}

aij > 0 aij < 0
Si no hay aij positivos, entonces:

-∞ ≤ bk’ ≤ mínimo {bk – Xi* / aij}
aij < 0
Si no hay aij negativos, entonces:

máximo {bk – Xi* / aij} ≤ bk’ ≤ +∞
aij > 0 30
Lado derecho de restricciones activas ≥
Sea bk el lado de la restricción activa, y aij los valores de la tabla
símplex donde i es la fila de una variable básica Xi y j es la columna
de la variable no básica.
máximo {bk – Xi* / -aij} ≤ bk’ ≤ mínimo {bk – Xi* / -aij}

-aij > 0 -aij < 0
Si no hay -aij positivos, entonces:

-∞ ≤ bk’ ≤ mínimo {bk – Xi* / -aij}
-aij < 0
Si no hay -aij negativos, entonces:

máximo {bk – Xi* / -aij} ≤ bk’ ≤ +∞
-aij > 0 31
MAX 50 X1 + 120 X2
SUBJECT TO
2) 2 X1 + 4 X2 <= 80
3) 3 X1 + X2 <= 60
END
Lado derecho de
1)
VARIABLE
2400.000
VALUE REDUCED COST restricciones
X1 0.000000 10.000000
X2
ROW
20.000000
SLACK OR SURPLUS
0.000000
DUAL PRICES activas - LINDO
2) 0.000000 30.000000
3) 40.000000 0.000000
THE TABLEAU
1 ART 10.000 0.000 30.000 0.000 2400.000
2 X2 0.500 1.000 0.250 0.000 20.000
3 SLK 3 2.500 0.000 -0.250 1.000 40.000

X1 50.000000 10.000000 INFINITY
X2 120.000000 INFINITY 20.000000
2 80.000000 160.000000 80.000000 32
3 60.000000 INFINITY 40.000000
Lado derecho de restricciones inactivas (1)
 El recurso de técnico de audio es un poco diferente pues las
60 horas originalmente disponibles no han sido usadas
• X4 = 40 horas en la tabla símplex final.
Cj 50 120 0 0
básicas
120 X2 1/2 1 1/4 0 20
0 X4 5/2 0 -1/4 1 40
Zj 60 120 30 0
Zj – Cj 10 0 30 0 2400
33
Lado derecho de restricciones inactivas (2)
 Aplicando la prueba de relación, el número de horas de
técnico de audio puede ser reducido en sólo 40 (la relación
positiva más pequeña = 40/1) antes de que ocurra un déficit.
 Desde que no todas las horas disponibles están siendo
utilizadas, ellas pueden ser aumentadas indefinidamente sin
alterar la solución del problema.
• No hay tasas de sustitución negativas en la columna X4, de modo que
no existen relaciones negativas.
 Por consiguiente, el rango válido de este precio sombra será
de 20 (= 60-40) horas hasta un límite superior no acotado.
34
Lado derecho de restricciones inactivas ≤
Sea bk el lado de la restricción inactiva, y aij los valores de la
tabla símplex donde i es la fila de una variable básica Xi y j es
la columna de la variable no básica.
bk – Xi* / aij ≤ bk’ ≤ +∞
35
Lado derecho de restricciones inactivas ≥
Sea bk el lado de la restricción inactiva, y aij los valores de la
tabla símplex donde i es la fila de una variable básica Xi y j es
la columna de la variable no básica.
-∞ ≤ bk’ ≤ bk – Xi* / -aij
36
MAX 50 X1 + 120 X2
SUBJECT TO
2) 2 X1 + 4 X2 <= 80
3) 3 X1 + X2 <= 60
END
Lado derecho de
1)
VARIABLE
2400.000
VALUE REDUCED COST restricciones
X1 0.000000 10.000000
X2
ROW
20.000000
SLACK OR SURPLUS
0.000000
DUAL PRICES inactivas - LINDO
2) 0.000000 30.000000
3) 40.000000 0.000000
THE TABLEAU
1 ART 10.000 0.000 30.000 0.000 2400.000
2 X2 0.500 1.000 0.250 0.000 20.000
3 SLK 3 2.500 0.000 -0.250 1.000 40.000

X1 50.000000 10.000000 INFINITY
X2 120.000000 INFINITY 20.000000
2 80.000000 160.000000 80.000000 37
3 60.000000 INFINITY 40.000000
3. Determinación del dual de un
problema de programación lineal
Para todo modelo de maximización de

programación lineal existe un modelo
equivalente de minimización; y a la inversa,
para todo modelo de minimización de
programación lineal existe un modelo
equivalente de maximización.
38
Forma canónica del problema primal
Maximizar Z = C1X1 + C2X2 + … + CnXn

Sujeta a:
a11X1 + a12X2 + … + a1nXn ≤ b1
a21X1 + a22X2 + … + a2nXn ≤ b2
…. …. … … …
am1X1 + am2X2 + … + amnXn ≤ bm
Con Xj ≥ 0 (j = 1, 2, …, n)
39
Forma canónica del problema dual
Minimizar W = b1Y1 + b2Y2 + ,..., + bmYm

Sujeta a:
a11Y1 + a21Y2 + ... + am1Ym  C1
a12Y1 + a22Y2 + ... + am2Ym  C2
…. …. … … …
a1nY1 + a2nY2 + ... + amnYm  Cn
Con Yi  0 (i = 1, 2, …, m)
40
Reglas de transformación (1)
modelo de maximización modelo de minimización

m restricciones m variables
i-ésima restricción  variable Yi  0
i-ésima restricción  variable Yi  0
i-ésima restricción = variable Yi libre
n variables n restricciones
variable Xj  0 j-ésima restricción 
variable Xj  0 j-ésima restricción 
variable Xj libre j-ésima restricción =
41
Modelo primal
Maximizar Z = + 3 X1 + 4 X2 – 2 X3
Sujeta a:
+ 4 X1 – 12 X2 + 3 X3  + 12
– 2 X1 + 3 X2 + 1 X3  + 6
– 5 X1 + 1 X2 – 6 X3  – 40
+ 3 X1 + 4 X2 – 2 X3 = + 10
Con X1  0, X2  0, X3 libre
42
Regla 1
El número de variables del problema dual es igual al
número de restricciones del problema primal. El número
de restricciones del problema dual es igual al número de
variables del problema primal.
+ 4 X1 – 12 X2 + 3 X3  +12 Y1
– 2 X1 + 3 X2 + 1 X3  + 6 Y2
– 5 X1 + 1 X2 – 6 X3  – 40 Y3
+ 3 X1 + 4 X2 – 2 X3 = + 10 Y4
43
Regla 2
Los coeficientes de la función objetivo en el problema
dual serán el vector de recursos del problema primal.
+ 4 X1 – 12 X2 + 3 X3  + 12
– 2 X1 + 3 X2 + 1 X3  + 6
– 5 X1 + 1 X2 – 6 X3  – 40
+ 3 X1 + 4 X2 – 2 X3 = + 10
W = + 12 Y1 + 6 Y2 – 40 Y3 + 10 Y4
44
Regla 3
Si el problema original es un modelo de maximización, el
dual será uno de minimización. Si el problema original es
un modelo de minimización, el dual será uno de
maximización.
Maximizar Z = + 3 X1 + 4 X2 – 2 X3
Minimizar W = + 12 Y1 + 6 Y2 – 40 Y3 + 10 Y4
45
Regla 4
Los coeficientes de la primera restricción del
problema dual son los coeficientes de la primera
variable en las restricciones del problema primal, y en
forma análoga para las otras restricciones.
+ 4 X1 –12 X2 + 3 X3  + 12
– 2 X1 + 3 X2 + 1 X3  + 6
– 5 X1 + 1 X2 – 6 X3  – 40
+ 3 X1 + 4 X2 – 2 X3 = + 10
+ 4 Y1 – 2 Y2 – 5 Y3 + 3 Y4
46
Regla 4 (continuación)
+ 4 X1 –12 X2 + 3 X3  + 12
– 2 X1 + 3 X2 + 1 X3  + 6
– 5 X1 + 1 X2 – 6 X3  – 40
+ 3 X1 + 4 X2 – 2 X3 = + 10
–12 Y1 + 3 Y2 + 1 Y3 + 4 Y4
47
Regla 4 ( continuación)
+ 4 X1 –12 X2 + 3 X3  + 12
– 2 X1 + 3 X2 + 1 X3  + 6
– 5 X1 + 1 X2 – 6 X3  – 40
+ 3 X1 + 4 X2 – 2 X3 = + 10
+ 3 Y1 + 1 Y2 – 6 Y3 – 2 Y4
48
Regla 5
Los lados derechos de las restricciones duales son los
coeficientes de la función objetivo del problema primal.
Maximizar Z = + 3 X1 + 4 X2 – 2 X3
+ 4 Y1 – 2 Y2 – 5 Y3 + 3 Y4 + 3
–12 Y1 + 3 Y2 + 1 Y3 + 4 Y4 + 4
+ 3 Y1 + 1 Y2 – 6 Y3 – 2 Y4 – 2
49
Regla 6
La j-ésima restricción del problema dual es una igualdad,
si y solo si la j-ésima variable del problema primal es
libre.
Con X1  0, X2  0, X3 libre
+ 4 Y1 – 2 Y2 – 5 Y3 + 3 Y4 + 3
– 12 Y1 + 3 Y2 + 1 Y3 + 4 Y4 +4
+ 3 Y1 + 1 Y2 – 6 Y3 – 2 Y4 = – 2
50
Regla 7
Si el problema primal es un modelo de maximización,
entonces después de aplicar la regla 6, asigne a las
restantes restricciones duales, el mismo signo que la
variable correspondiente del problema primal. Si el
problema primal es un modelo de minimización,
entonces después de aplicar la regla 6, asigne a las
restantes restricciones duales, el signo contrario que la
variable correspondiente del problema primal.
Con X1  0, X2  0, X3 libre
+ 4 Y1 – 2 Y2 – 5 Y3 + 3 Y4  + 3
– 12 Y1 + 3 Y2 + 1 Y3 + 4 Y4  + 4
+ 3 Y1 + 1 Y2 – 6 Y3 – 2 Y4 = – 2 51
Regla 8
La i-ésima variable del problema dual será libre, si y
solo si la i-ésima restricción del problema primal es una
igualdad.
+ 4 X1 –12 X2 + 3 X3  + 12
– 2 X1 + 3 X2 + 1 X3  +6
– 5 X1 + 1 X2 – 6 X3  – 40
+ 3 X1 + 4 X2 – 2 X3 = + 10
Con Y4 libre
52
Regla 9
Si el problema original es un modelo de maximización,
entonces, después de aplicar la regla 8, asigne a las
demás variables duales el signo contrario que la
restricción correspondiente en el problema primal.
+ 4 X1 –12 X2 + 3 X3  + 12
– 2 X1 + 3 X2 + 1 X3  +6
– 5 X1 + 1 X2 – 6 X3  – 40
+ 3 X1 + 4 X2 – 2 X3 = + 10
Con Y1, Y2  0, Y3  0, Y4 libre

53
Regla 9 (continuación)
Si el problema original es un modelo de minimización,
entonces, después de aplicar la regla 8, asigne a las
demás variables duales el mismo signo que la restricción
correspondiente en el problema primal.
54
Modelo dual
Minimizar W = + 12 Y1 + 6 Y2 – 40 Y3 + 10 Y4
Sujeta a:
+ 4 Y1 – 2 Y2 – 5 Y3 + 3 Y4  + 3
– 12 Y1 + 3 Y2 + 1 Y3 + 4 Y4  + 4
+ 3 Y1 + 1 Y2 – 6 Y3 – 2 Y4 = – 2
Con Y1, Y2  0, Y3  0, Y4 libre
55
4. Interpretación económica de la
dualidad (1)
Las variables duales indican la cantidad extra que se
estaría en disponibilidad de pagar por una unidad
adicional de un recurso específico.
Sólo nos interesa el excedente sobre el precio

normal, puesto que el precio original del recurso se
incluye en el cálculo de las variables.
56
4. Interpretación económica de la
dualidad (2)
Cuando el problema primal es un problema de

maximización, las variables del dual se relacionan con
el valor de los recursos disponibles. Por esta razón,
las variables del dual a menudo reciben el nombre de
precios sombra de los recursos.
57
5. Teorema de dualidad (1)
Sea X = [X1,X2,...,Xn]T una solución factible para

el primal y sea Y = [Y1,Y2,...,Ym] una solución
factible del dual.
La función objetivo primal evaluada para X, no

puede exceder a la función objetivo dual
evaluada para Y.
58
Sea X = [X1,X2,...,Xn]T una solución factible para
el primal y sea Y = [Y1,Y2,...,Ym] una solución
factible del dual.
Si la función objetivo primal evaluada para X es

igual a la función objetivo dual evaluada para Y,
entonces X es óptima para el primal e Y es
óptima para el dual.
59
Dado un par de problemas duales, se cumple una
de las siguientes condiciones:
– Si uno tiene solución óptima, su dual también tiene
solución óptima.
– Si uno es no acotado, su dual no tiene solución
posible.
– Si uno no tiene solución posible, su dual es no
acotado o no tiene solución posible.
60
6. Precio sombra
El precio sombra de la i-ésima restricción de tipo

≤ es la cantidad que mejora el valor óptimo de Z
(un incremento en un problema de maximización
o un decremento en un problema de
minimización) si bi aumenta en una unidad (pasa
de bi a bi +1).
61
7. Holgura complementaria (1)
Sea X = [X1,X2 ,...,Xn]T la solución factible y óptima
para el primal y sea Y = [Y1,Y2,...,Ym] la solución
factible y óptima del dual.
Si Xi > 0 entonces ej*Xj = 0

Donde: ej son las variables de excedente del dual.
Si Yi > 0 entonces hi*Yi = 0

Donde: hi son las variables de holgura del primal.
62
Problema primal
Maximizar Z = + 50 X1 + 40 X2
Sujeta a:
+ 3 X1 + 5 X2  150
+ 0 X1 + 1 X2  20
+ 8 X1 + 5 X2  300
Con X1, X2  0
63
Cj 50 40 0 0 0
V. B. X1 X2 h1 h2 h3 Valor
Zj – Cj 0 0 14/5 0 26/5 1980
40 X2 0 1 8/25 0 –3/25 12
0 h2 0 0 –8/25 1 3/25 8
50 X1 1 0 –5/25 0 5/25 30
La solución óptima es X1 = 30, X2 = 12 y el valor

óptimo de la función objetivo es Z = 1,980.
64
Problema dual
Minimizar Z = + 150 Y1 + 20 Y2 + 300 Y3
Sujeta a:
+ 3 Y1 + 0 Y2 + 8 Y3  50
+ 5 Y1 + 1 Y2 + 5 Y3  40
Con Y1, Y2, Y3  0
65
Cj –150 –20 –300 0 0

V. B. Y1 Y2 Y3 e1 e2 Valor
Zj – Cj 0 8 0 30 12 –1980
–300 Y3 0 –3/25 1 –5/25 3/25 26/5
–150 Y1 1 8/25 0 5/25 –8/25 14/5
La solución óptima es Y1 = 14/5, Y2 = 0, Y3 = 26/5 y

el valor óptimo de la función objetivo es Z = 1,980.
66
Si X1 > 0 entonces e1*X1 = (0)*(30) = 0

Si X2 > 0 entonces e2*X2 = (0)*(12) = 0
Si Y1 > 0 entonces h1*Y1 = (0)*(14/5) = 0

Si Y3 > 0 entonces h3*Y3 = (0)*(26/5) = 0
67
8. Método símplex para resolver
problemas duales
68
Algoritmo símplex para el dual en el caso
de un problema de maximización (1)
I. Formular las restricciones y la función objetivo del problema de
PL.
II. Incluir:
• Variables de holgura en cada restricción ≤, y
• Variables superfluas en cada restricción ≥
entonces agregue estas variables a la función objetivo del
problema.
III.Desarrollar una tabla símplex inicial con de holgura y superfluas
en la base y las demás variables iguales a 0. Calcular los valores
Zj y Zj - Cj para esta tabla símplex.
69
Algoritmo símplex para el dual en el caso
de un problema de maximización (2)
IV.Seguir estos cinco pasos hasta que la solución óptima sea
alcanzada:
a) Elegir la fila con el valor del lado derecho más negativo
para que la variable respectiva salga del conjunto de
variables básicas (variable que sale).
b) Determinar la columna de la variable que entrará al
conjunto de variables básicas, seleccionando aquella con el
mayor ratio negativo = Zj - Cj / Elemento de fila pivote
(variable que entra).
c) Calcular los nuevos valores para la fila pivote.
d) Calcular los nuevos valores para las otras filas.
e) Calcular los valores Cj y Zj - Cj para esta tabla.
• Si hay lados derechos menores que cero, retornar al paso 1.
• Sino se llegó a la solución óptima (lados derechos no negativos).
70
Caso: Muddy River Chemical Corporation (1)
La Muddy River Chemical Corporation debe producir

exactamente 1,000 libras de una mezcla especial de
fosfato y potasio para un cliente. La libra de fosfato
cuesta I/.5.00 y la de potasio I/.6.00. No se pueden
utilizar más de 300 libras de fosfato y por lo menos
se deben utilizar 150 libras de potasio. Determine la
mezcla a costo mínimo de los dos ingredientes.
71
Variables de decisión
X1 = número de libras de fosfato
X2 = número de libras de potasio
Minimizar Z = 5X1 + 6X2 (mínimo costo total)
Sujeta a
X1 + X2 = 1000 (Peso de la mezcla)
X1 ≤ 300 (Requerimiento máximo de fosfato)
X2 ≥ 150 (Requerimiento mínimo de potasio)
Con X1 , X2 ≥ 0 (condiciones de no negatividad)
72
Forma canónica del primal

Maximizar Z = - 5X1 - 6X2
Sujeta a:
+ 1X1 + 1X2 ≤ 1000
- 1X1 - 1X2 ≤ -1000
+ 1X1 + 0X2 ≤ 300
+ 0X1 -1X2 ≤ -150
Con X1 , X2 ≥ 0
73
Forma estándar del primal
Maximizar Z = - 5X1 - 6X2 + 0X3 + 0X4 + 0X5 + 0X6
Sujeta a:
+ 1X1 + 1X2 + 1X3 + 0X4 + 0X5 + 0X6 = 1000
- 1X1 - 1X2 + 0X3 + 1X4 + 0X5 + 0X6 = -1000
+ 1X1 + 0X2 + 0X3 + 0X4 + 1X5 + 0X6 = 300
+ 0X1 - 1X2 + 0X3 + 0X4 + 0X5 + 1X6 = -150
Con X1 , X2 , X3 , X4 , X5 , X6 ≥ 0
74
-5 -6 0 0 0 0
Variables
básicas X1 X2 X3 X4 X5 X6 Valor
0 X3 1 1 1 0 0 0 1000
0 X4 -1 -1 0 1 0 0 -1000
0 X5 1 0 0 0 1 0 300
Número pivote
0 X6 0 -1 0 0 0 1 -150
Zj 0 0 0 0 0 0
Zj - Cj +5 +6 0 0 0 0 0
75
-5 -6 0 0 0 0
Variables
0 X3 0 0 1 1 0 0 0
-5 X1 1 1 0 -1 0 0 1000
0 X5 0 -1 0 1 1 0 -700
Número pivote
0 X6 0 -1 0 0 0 1 -150
Zj -5 0 0 -5 0 0
Zj - Cj 0 +1 0 +5 0 0 -5000
76
-5 -6 0 0 0 0
Variables
0 X3 0 0 1 1 0 0 0
-5 X1 1 0 0 0 +1 0 300
-6 X2 0 1 0 -1 -1 0 700
0 X6 0 0 0 1 1 1 550
Zj -5 -6 0 +6 +1 0
Zj - Cj 0 0 0 +6 +1 0 -5700
77
Solución óptima
Se debe mezclar 300 libras de fosfato y
700 libras de potasio a un costo de
I/.5,700.00.
78
Algoritmo símplex para el dual en el
caso de un problema de minimización
En el caso de un problema de programación lineal

con función objetivo de minimización, se debe
multiplicar a la función objetivo por -1 y luego
resolver el problema usando el método símplex.
79

5 Sensibilidad-Dualidad

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

5 Sensibilidad-Dualidad

Încărcat de

Drepturi de autor:

Formate disponibile

Investigación Operativa 1

Capítulo 5: Análisis de sensibilidad y

Profesor: Wilmer Atoche

N es la matriz de orden m x (n-m) cuyas

El vector columna b de orden m x 1 es el lado

Sea Zj - Cj el coeficiente de xj, en la fila cero de la tabla

El análisis de sensibilidad se basa en la proposición

La High Note Sound Company fabrica reproductores

X2 = 20 receptores estéreo Variables

La respuesta se encuentra en la fila Zj - Cj de la tabla símplex final. 12

-∞ ≤ Ck’ ≤ Ck + (Zk - Ck)

RANGES IN WHICH THE BASIS IS UNCHANGED:

 Un cambio en la utilidad o costo de una variable básica puede afectar

 Los nuevos valores Zj - Cj para variables no básicas X1 y X3 fueron

 ¿Cómo puede variar el valor de ∆ de modo que todos los valores Zj - Cj

Si no hay aij negativos, entonces:

Si no hay aij positivos, entonces:

RANGES IN WHICH THE BASIS IS UNCHANGED:

X2 = 20 receptores estéreo Variables

La función objetivo se incrementa en I/.30.00 si se dispone de 1

máximo {bk – Xi* / aij} ≤ bk’ ≤ mínimo {bk – Xi* / aij}

Si no hay aij positivos, entonces:

Si no hay aij negativos, entonces:

máximo {bk – Xi* / -aij} ≤ bk’ ≤ mínimo {bk – Xi* / -aij}

Si no hay -aij positivos, entonces:

Si no hay -aij negativos, entonces:

RANGES IN WHICH THE BASIS IS UNCHANGED:

bk – Xi* / aij ≤ bk’ ≤ +∞

-∞ ≤ bk’ ≤ bk – Xi* / -aij

RANGES IN WHICH THE BASIS IS UNCHANGED:

Para todo modelo de maximización de

Maximizar Z = C1X1 + C2X2 + … + CnXn

Minimizar W = b1Y1 + b2Y2 + ,..., + bmYm

modelo de maximización modelo de minimización

Con Y1, Y2  0, Y3  0, Y4 libre

Sólo nos interesa el excedente sobre el precio

Cuando el problema primal es un problema de

Sea X = [X1,X2,...,Xn]T una solución factible para

La función objetivo primal evaluada para X, no

Si la función objetivo primal evaluada para X es

El precio sombra de la i-ésima restricción de tipo

Si Xi > 0 entonces ej*Xj = 0

Si Yi > 0 entonces hi*Yi = 0

La solución óptima es X1 = 30, X2 = 12 y el valor

Cj –150 –20 –300 0 0

La solución óptima es Y1 = 14/5, Y2 = 0, Y3 = 26/5 y

Si X1 > 0 entonces e1*X1 = (0)*(30) = 0

Si Y1 > 0 entonces h1*Y1 = (0)*(14/5) = 0

La Muddy River Chemical Corporation debe producir

Forma canónica del primal

En el caso de un problema de programación lineal

S-ar putea să vă placă și

Si X1 > 0 entonces e1X1 = (0)(30) = 0

Si Y1 > 0 entonces h1Y1 = (0)(14/5) = 0