TEORIA DE DUALIDAD Y SENSIBILIDAD

Las condiciones del mundo actual no son estáticas, de ahí que las decisiones
en los sistemas se deben basar en situaciones de bastante movimiento y
aleatoriedad. Por esto, es importante conocer que le sucede a la solución
óptima alcanzada con el método simplex cuando se le practican cambios a los
parámetros del modelo original. El análisis con método grafico para los
coeficientes de la función objetivo y los cambios en el lado derecho permite
acercarse a una respuesta. Este planteamiento se hizo utilizando la solución
con método gráfico, a continuación se realiza el análisis a partir de la solución
con método simplex utilizando para ello la teoría de la dualidad y la
sensibilidad.

La teoría de dualidad permite a la programación lineal obtener una

interpretación económica de la solución del modelo. Todos lo ejercicios de
formulación realizados hasta el momento para los diferentes tipos de
problemas de programación lineal, la teoría de dualidad los define como
problema primal. El concepto de dualidad indica que todo problema de
programación lineal posee una asociación y una relación muy importante con
otro problema de programación lineal, llamado precisamente relación dual o
problema 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

programación lineal.
• El análisis de dualidad es una herramienta útil en la solución de
problemas de programación lineal. Se crea para mejorar
sustancialmente la solución de un modelo de programación lineal. Por
ejemplo cuando el modelo presenta un número mayor de restricciones
que de variables es más fácil solucionar el problema utilizando para la
solución el modelo dual.
• El problema dual tiene interpretaciones e informaciones importantes que
muestran que los análisis marginales o de costos de oportunidad, están
siempre involucrados implícitamente al buscar la solución óptima a un
problema de programación lineal.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

CONSTRUCCIÓN DEL PROBLEMA DUAL

Las formulaciones que se han realizado y que de hecho son las que se
obtienen al formular un problema de programación lineal se denomina
problema primal, a partir de este problema primal se obtiene el problema dual,
el cual es una definición también matemática, que se relaciona directamente
con la del problema primal.

El problema dual se obtiene a partir del problema primal formulado inicialmente

manteniendo siempre una relación directa entre los dos, sea el primal de
maximización o minimización con tipos de restricciones (≤, ≥, =).

Para la construcción del problema dual en sus variables y restricciones utilice el

modelo de la empresa de confecciones:

Max Z = 300X1 + 500X2 [utilidad total]

Sujeto a
2X1 + X2 ≤ 230 [horas] Depto de confecciones
X1 +2X2 ≤ 250 [horas] Depto de empaque
X2 ≤ 120 [unidades] uniformes escolares UNIF2
(X1, X2) ≥ 0

Considere la siguiente secuencia para la construcción del modelo dual.

1. Cada variable para el problema dual se obtiene a partir de cada una de las
restricciones del problema primal. Ejemplo, si el problema primal tiene 3
restricciones, entonces el problema dual tendrá 3 variables.

Maximizar Z = 300X1 + 500X2

Sujeto a
2X1 + X2 ≤ 230 W1
X1 +2X2 ≤ 250 W2
X2 ≤ 120 W3
(X1, X2) ≥ 0

2. La función objetivo del problema dual se construye utilizando los

parámetros del lado derecho del modelo primal y representan a los
coeficientes de las variables duales en la función objetivo del modelo dual.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

 El objetivo de la función objetivo cambia de maximización a minimización y
viceversa.

Minimizar Z’ = 230W1 + 250W2 + 120W3

3. Las restricciones del problema dual, se obtienen a partir del número de

variables del problema primal. Ejemplo, Si el problema primal tiene 4
variables, el problema dual debe tener 4 restricciones.

4. Los coeficientes del lado izquierdo del problema dual, se obtienen a partir
de los coeficientes del lado izquierdo del primal, pero tomando los valores
correspondientes por columna del primal. Los parámetros del lado derecho
del problema dual corresponden a los coeficientes de la función objetivo
del problema primal. En el problema dual se cambia el sentido de las
restricciones de ≥ a ≤ y contrariamente cuando sea necesario.

2W1 + W2 ≥ 300
W1 + 2W2 + W3 ≥ 500
(W1, W2, W3) ≥ 0

Entonces el modelo dual formulado a partir del problema primal será:

Minimizar Z’ = 230W1 + 250W2 + 120W3

Sujeto a
2 W 1 + W2 ≥ 300
W 1 + 2 W2 + W3 ≥ 500
(W1, W2, W3) ≥ 0

Observe que el modelo dual transformo el número de restricciones del primal

pasando de 3 a 2 restricciones. Esta característica es importante, facilita la
solución del modelo por que técnicamente es más fácil solucionar un modelo
de programación lineal cuando éste tiene un número menor de restricciones.

La solución del modelo dual genera la solución del modelo primal y la solución
del modelo dual corresponde a los valores del precio sombra que tenga el
modelo. Igualmente la solución del modelo primal genera la solución del
modelo dual. En conclusión al solucionar uno se esta hallando la solución del
otro, su importancia radica en el tiempo que sea necesario para hallar la
solución.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

Utilizando el método simplex al problema dual, el tablero final para el problema
es el siguiente: (¡Compruébelo!).

↓ Cj → 230 250 120 0 0

VARIABLES Cociente
CB XB W1 W2 W3 S1 S2
BÁSICAS θ
W1 230 100/3 1 0 -1/3 -2/3 1/3

W2 250 700/3 0 1 2/3 1/3 -2/3

Zj 66.000 230 250 90 -70 -90

Cj - Zj 0 0 30 70 90

Observe las soluciones con el problema primal y el problema dual.

La solución del problema dual, genera una valiosa información, el precio

sombra, que también se puede interpretar como: El precio unitario adicional
máximo que puede pagarse por cada unidad adicional de recurso escaso.

CONCLUSIÓN

La solución óptima del problema dual aparece en el tablero final simplex del
problema primal en la fila Cj - Zj, exactamente debajo de la matriz inversa. La
solución óptima del problema primal aparece en el tablero final simplex del
problema dual en la fila Cj - Zj, y corresponden a los valores de las variables no
básicas en la fila Cj – Zj

Entonces la solución del problema dual es:

W1 = 100/3 = 33.333 W2 = 700/3 = 233.333 W3 = 0

Z’ Min = 66.000

Su interpretación, si se incrementa en 1 unidad el recurso de horas en el

departamento de confecciones, la función objetivo se incrementaría en
$33.333. Si se incrementa en una unidad el recurso de horas en el
departamento de empaque, la función objetivo se incrementaría en $233.333,
pero si se incrementa la demanda de los uniformes tipo 2, la función objetivo
permanecería constante ya que la producción de los uniformes tipo 2 con los
recursos disponibles es suficiente, esto según el óptimo X2 = 90, además por
que para cumplir con la demanda del mercado la empresa posee un sobrante
de 30 uniformes tipo 2.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

ANÁLISIS POSÓPTIMO O DE SENSIBILIDAD:

El método simplex a diferencia del método gráfico permite realizar los

siguientes análisis:

• Cambios en los coeficientes de la función objetivo

• Cambios en los valores del lado derecho
• Adición de una nueva variable
• Adición de una nueva restricción.
• Cambio en los coeficientes tecnológicos.

Cuando se produce un cambio en algún valor de un parámetro de un modelo

de programación lineal pude ocurrir uno de los siguientes dos efectos, o los dos
o ninguno:
• Se afecta la factibilidad, dada por XB ≥ 0
• Se afecta la optimalidad, dada por Cj - Zj ≥ 0, si esta minimizando o Cj -
Zj ≤ 0 si esta maximizando.

Para realizar el análisis de sensibilidad se utiliza la siguiente representación en

forma de matriz de la solución óptima del tablero simplex.

↓ Cj → 300 500 0 0 0
VARIABLES Cociente
CB XB X1 X2 S1 S2 S3
BÁSICAS θ
S3 0 30 0 0 1/3 -2/3 1

X1 300 70 1 0 2/3 -1/3 0

X2 500 90 0 1 -1/3 2/3 0

Zj 66.000 300 500 100/3 700/3 0

Cj - Zj 0 0 -100/3 -700/3 0

La tabla óptima del simplex se puede representar en forma matricial.

 XB, corresponde al vector asociado con las variables básicas de la tabla

“óptima”: para el ejemplo
 S3 
X B =  X 1 
 X 2 
 La matriz B-1, llamada matriz inversa, corresponde en la tabla óptima del
ejemplo a la organización de filas y columnas que se encuentra

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

 exactamente debajo de las variables de holgura y que en el tablero esta
sombreada.

Para el ejemplo
1/ 3 −2 / 3 1
B −1 =  2 / 3 −1/ 3 0
 −1/ 3 2/3 0

En tablero inicial al aplicar el método simplex, esta matriz corresponde a la

matriz idéntica, que va a ir cambiando cuando se realice cada iteración.

 El vector Fila W, corresponde a los coeficientes obtenidos para los precios

duales o precios sombra.

W = (W1, W2,…, Wn)

Para el ejemplo
 100 700 
W = , ,0
 3 3 

Se utilizarán matrices para realizar más fácilmente los cálculos, solo se

utilizarán tres operaciones elementales:

 Vector fila x matriz

 Matriz x vector columna
 Escalar x matriz.

La multiplicación de matrices A * B está definida si el número de columnas de

la matriz A es igual al número de Filas de la matriz B.

EJEMPLO:

Ejemplo vector fila  [2 4 6 8]1x4 nxm

 a11 a12 a13 

matrizc uadrada =  a21 a22 a23  ∴ n = 3 Filas
 a31 a32 a33  3 x 3 m = 3 Columnas

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

Ejemplo vector columna
5 
4
 
3  3 x1

OPERACIONES CON MATRICES:

Vector Fila * Matriz
2 3 4
Sea H = [2 3 4] y F = 5 6 7 
8 9 3 

2 3 4
H * F = [ 2 3 4]1x 3 5 6 7  = [ 2*2 + 3*5 + 4*8 2*3 + 3*6 + 4*9 2*4 + 3*7 + 4*3]
8 9 3 3 x 3

H*F = [51 60 41]

Matriz * vector columna

1 2 3  2 1 2 3 2
L =  4 5 6 y M = 5  ⇒ L x M =  4
   5 6 3 
7 8 9  3 x 3 3  7 8 9  5 

= [1 * 2 + 2 * 3 + 3 * 5 4*2 + 5*3 + 6*5 7 * 2 + 8 * 3 + 9 * 5]

= [23 53 83]

Este repaso permite iniciar el proceso de análisis de sensibilidad o análisis

posóptimo, cuando ya se ha llegado a la solución óptima generada por el
tablero final del método simplex.

Los valores duales se calculan aplicando la siguiente relación:

W = Cb B-1

∴ Cb = Vector columna asociado a los coeficientes de la función

objetivo del modelo original y que representa a las

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

 variables básicas de cualquier iteración – tabla del método
simplex.

B-1 = Matriz inversa de la iteración correspondiente.

Por ejemplo, si se desea confirmar los precios duales – sombra de la última

tabla simplex del ejemplo, se aplica la relación antes señalada, se utiliza el
vector transpuesto para realizar la operación

 W = CbT B-1

Observe que variables básicas se encuentran en la tabla óptima: Se

encuentran, S3, X1, X2, por lo tanto el vector Fila Cb, se compone de los
coeficientes de esas variables en la función objetivo original.

1/ 3 −2 / 3 1 
B =  2 / 3 −1/ 3 0 
T −1
C B = [0 300 500] y
 −1/ 3 2 / 3 0 

 1 / 3 − 2 / 3 1
= [0 300 500]  2 / 3 − 1 / 3 0
T −1
W = C B *B
− 1 / 3 2 / 3 0

[ (0)(1/ 3) + (300)(2 / 3) + (500)(−1/ 3) (0)(−2 / 3) + (300)(−1/ 3) + 500(2 / 3) (0)(1) + (300)(0) + (500)(0)]

100 700 
W = 0
 3 3 
Con este pequeño repaso se puede iniciar el análisis de sensibilidad.

CAMBIOS EN LOS COEFICIENTES DE LA FUNCIÓN OBJETIVO

Para poder realizar cambios en los coeficientes se necesita conocer el intervalo

de sensibilidad de cada uno de ellos para determinar si es posible el cambio de
tal manera que no afecte la solución óptima. Un cambio en alguno de los
coeficientes de la función objetivo puede afectar la optimalidad.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

Se halla entonces los intervalos de sensibilidad para los coeficientes de la
función objetivo siempre realizando el procedimiento para hallarlos en la tabla
que presenta la solución óptima.

CAMBIO EN EL COEFICIENTE X1

Al realizar un cambio en el coeficiente de una variable básica, cambia la

columna CB y la fila Cj. Si ellos cambian, también cambia la fila Zj, por lo tanto
se debe recalcular la fila Zj y la fila Cj – Zj, cuando se recalcula la tabla se debe
identificar si se afecto las condiciones de optimalidad Max (Cj - Zj ≤ 0); Min (Cj
- Zj ≥ 0).

En el caso en que el criterio de optimalidad se afecte, se debe seguir iterando

con el método simplex hasta recuperar la optimalidad.

Para observar el análisis de sensibilidad y encontrar el intervalo de sensibilidad

para el coeficiente X1, se afecta el coeficiente con un valor k (se usa k para
generalizar el análisis siendo k cualquier valor)

↓ Cj → 300 + k 500 0 0 0
VARIABLES
CB XB X1 X2 S1 S2 S3
BÁSICAS
S3 0 30 0 0 1/3 -2/3 1

X1 300 + k 70 1 0 2/3 -1/3 0

X2 500 90 0 1 -1/3 2/3 0

100 2 700 k
Zj 66.000 300 + k 500 + k − 0
3 3 3 3
100 2 700 k
Cj - Zj 0 0 − − k − + 0
3 3 3 3

Obtención de los intervalos de sensibilidad:

Por definición del criterio de optimalidad para que el modelo cumpla con el
criterio si posee como objetivo el de maximización, se debe cumplir que toda la
fila Cj - Zj ≤ 0.

100 2k 2k 100 300

 − − ≤0 ⇒ − ≤ ⇒ − 2k ≤ ⇒ k ≥ −50
3 3 3 3 3

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

 700 k k 700 2.100
y − + ≤0 ⇒ ≤ ⇒ k≤ ⇒ k ≤ 700
3 3 3 3 3

Observe que el intervalo de sensibilidad se presenta con la siguiente

desigualdad

 -50 ≤ k ≤ 700

Se suma a los lados de la desigualdad el valor original del coeficiente de la

variable básica X1

300 – 50 ≤ k ≤ 700 + 300

El intervalo de sensibilidad para el coeficiente es [250,1000]

Se puede realizar cualquier cambio al coeficiente en X1, siempre y cuando esté

dentro del intervalo [250, 1000] para que no se afecte la optimalidad del modelo
y la solución en X1 = 70, X2 = 90 y S3 = 30 se valide o si se desea se
mantenga. Un cambio por fuera de este intervalo afectaría a la solución óptima
y a la fila Cj - Zj, por lo tanto para hallar la nueva solución se sigue iterando con
el método simplex.

Ejemplo: Si se afectará el coeficiente en X1, incrementando su valor en $800 la

utilidad del uniforme tipo 1, ¿que la sucede a la solución óptima?, ¿esta
situación es buena para la empresa?

Para darle respuesta a la pregunta, primero se nota que al incrementar en $800

la utilidad del uniforme tipo 1, pasaría de $300 a $1.100, valor que no se
encuentra dentro del intervalo, sin embargo utilizando la tabla óptima
podríamos determinar lo que sucede y responder a la pregunta.

↓ Cj → 1.100 500 0 0 0
VARIABLES Cociente
CB XB X1 X2 S1 S2 S3
BÁSICAS θ
S3 0 30 0 0 1/3 -2/3 1

X1 1.100 70 1 0 2/3 -1/3 0

X2 500 90 0 1 -1/3 2/3 0

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

 1700 100
Zj 122.000 1.100 500 − 0
3 3
1700 100
Cj - Zj 0 0 - 0
3 3

Observe que al realizar el cambio del coeficiente y realizar las operaciones

para hallar la nueva solución con el cambio en el coeficiente, se afecta el
criterio de optimalidad. La solución NO es la óptima, la variable S2 no cumple
con el criterio, se necesita realizar otra tabla, con seguridad en la siguiente
tabla se alcanza nuevamente la optimalidad.

↓ Cj → 1.100 500 0 0 0
VARIABLES Cociente
CB XB X1 X2 S1 S2 S3
BÁSICAS θ
S3 0 30 0 0 1/3 -2/3 1 no

X1 1.100 70 1 0 2/3 -1/3 0 no

X2 500 90 0 1 -1/3 2/3 0 333,333

1700 100
Zj 122.000 1.100 500 − 0
3 3
1700 100
Cj - Zj 0 0 - 0
3 3

↓ Cj → 1.100 500 0 0 0
VARIABLES
CB XB X1 X2 S1 S2 S3
BÁSICAS
S3 0 120 0 1 0 0 1

X1 1.100 115 1 1/2 1/2 0 0

S2 0 135 0 3/2 -1/2 1 0

Zj 126.500 1.100 500 550 0 0

Cj - Zj 0 0 -550 0 0

En la siguiente iteración se encuentra nuevamente la solución óptima por que

se cumple el criterio de optimalidad.

Al realizar el cambio por fuera del intervalo, se afecta la solución óptima. Para
hallar la nueva solución se realiza una nueva iteración

La nueva solución óptima es:

X 1* = 115 (Producir 115 uniformes tipo 1)

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

X 2* = 0 (No producir uniformes tipo 2)
*
S 1 = 0 (Se utilizan todas las horas en el departamento de confección)
*
S 2 = 135 (Sobran 135 horas en el departamento de empaque).
S 3*
= 120 (Dejan de producirse 120 uniformes tipo 2).

Con lo cual alcanzaría una utilidad de $126.500

Al aumentar en $800 la utilidad del uniforme tipo 1, o sea, pasar de $300 a

$1.100 en la utilidad, la empresa con esta nueva situación incrementa la
utilidad en $60.500, alcanzando una utilidad máxima de $126.500.

Ejercicio: Realizar el mismo análisis para el coeficiente en X2

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva