Facultad de Ingeniera

Investigacin de operaciones

ASIGNACION N 2

Prof.: Alumno:

Jos Ernesto Len Rodrguez, Cesar.

Caracas, Septiembre del 2017

Dualidad en programacin lineal

Cada vez que se plantea y resuelve un problema lineal, existe otro problema nsitamente
planteado y que puede ser resuelto, es el considerado problema dual, el cual tiene unas
importantes relaciones y propiedades respecto al problema primal que pueden ser de gran
beneficio para la toma de decisiones.

Los problemas primales y duales se encuentran ligados por una serie de relaciones, saber la
existencia de estas puede ser considerado de gran utilidad para la resolucin de problemas
que parecen no factibles, o que no pueden ser resueltos mediante un mtodo en particular.

Relaciones entre problemas primales y duales:

El nmero de variables que presenta el problema dual se ve determinado por el

nmero de restricciones que presenta el problema primal.
El nmero de restricciones que presenta el problema dual se ve determinado por el
nmero de variables que presenta el problema primal.
Los coeficientes de la funcin objetivo en el problema dual corresponden a los
trminos independientes de las restricciones (RHS), que se ubican del otro lado de
las variables.
Los trminos independientes de las restricciones (RHS) en el problema dual
corresponden a los coeficientes de la funcin objetivo en el problema primal.
La matriz que determina los coeficientes tcnicos de cada variable en cada
restriccin corresponde a la transpuesta de la matriz de coeficientes tcnicos del
problema primal.
El sentido de las igualdades y desigualdades se comporta segn la tabla de
TUCKER, presentada a continuacin
Importancia de la dualidad en programacin lineal

La resolucin de los problemas duales respecto a los primales se justifica dada la facilidad
que se presenta dados problemas donde el nmero de restricciones supere al nmero de
variables. Adems de tener gran aplicacin en el anlisis econmico del problema.

Otra de las ventajas que presenta es que dado a que el nmero de restricciones y variables
entre problema dual y primal es inverso, se pueden resolver grficamente problemas que
presenten dos restricciones sin importar el nmero de variables.

Teoremas de la dualidad en programacin lineal.

1. Si el modelo primal o dual tiene solucin ptima finita entonces su respectivo dual
o primal tendrn solucin ptima finita.
2. Si el modelo primal o dual tiene solucin ptima no acotada, entonces su respectivo
dual o primal no tendrn solucin, ser un modelo infactible.
3. Si el modelo primal o dual no tiene solucin entonces su respectivo dual o primal no
tendrn solucin.
4. Sea "A" un modelo primal cuyo modelo dual es "B", el modelo dual de "B" es igual
a "A", es decir "El modelo dual de un dual es un modelo primal".

Resolucin del problema dual, pas a paso.

Trataremos de resolver un problema primal y su dual mediante Mtodo Simplex utilizando

variables de holgura, exceso y artificiales; adems resolveremos el primal utilizando
Simplex maximizando y el dual minimizando.

Dado el siguiente modelo primal,

ZMAX = 40X1 + 18X2

16X1 + 2X2 700

6X1 + 3X2 612

X1 80

X2 120
Cuya respuesta es

X1 = 28,75

X2 = 120

S1 = 79.5

S3 = 51.25

Funcin objetivo = 3310

Procedemos a resolver el problema dual

PASO 1: Definimos el problema dual

Este paso se lleva a cabo teniendo en cuenta las relaciones que se expusieron en la
definicin de la dualidad. Ahora las variables en el dual las representaremos por "" y
corresponden a cada restriccin.

El modelo queda de la siguiente forma:

ZMIN = 7001 + 6122 + 803 + 1204

161 + 62 + 3 40

21 + 32 + 4 18

1;4 0

Ahora preparamos el modelo para ser resuelto mediante Mtodo Simplex, utilizaremos el
procedimiento en el cual la funcin objetivo es multiplicada por (-1) y resolveremos el
modelo mediante maximizacin.

ZMIN = 7001 + 6122 + 803 + 1204

Lo que es igual

(-Z)MAX = -7001 - 6122 - 803 - 1204

Ahora dado que los signos de las inecuaciones son mayor o igual procedemos a volverlas
ecuaciones agregando variables de exceso, recordemos que en este caso las variables de
exceso se restan del lado izquierdo de la igualdad, por ende.
161 + 62 + 3 + 04 - 1S1 + 0S2 = 40

211 + 32 + 03 + 4 + 0S1 - 1S2 = 18

1;4 0

Recordemos que el Mtodo Simplex solo es posible por la formacin de la matriz

identidad, sin embargo en una matriz identidad no pueden ir coeficientes negativos, el cual
es el caso, por ende recurriremos al artificio denominado "Mtodo de la M grande"
utilizando variables artificiales, las cuales siempre se suman.

161 + 62 + 3 + 04 - 1S1 + 0S2 + 1A1 + 0A2 40

211 + 32 + 03 + 4 + 0S1 - 1S2 + 0A1 + 1A2 18

1;4 0

Ahora si observamos la matriz identidad formada por las variables artificiales, nuestra
funcin objetivo es la siguiente (vara dada la incorporacin de las nuevas variables).

(-Z)MAX = -7001 - 6122 - 803 - 1204 + 0S1 + 0S2 - MA1 - MA2

Recordemos que el coeficiente de las variables de holgura y exceso es 0, adems que los
coeficientes de las variables artificiales es M, donde M corresponde a un nmero grande
poco atractivo cuyo signo en la funcin objetivo depende del criterio de la misma, dado que
la funcin es maximizar el signo es negativo. Dado que utilizaremos el Mtodo Simplex y
no un software para la resolucin del modelo es necesario que M adquiera valor, en este
caso ser "-10000" un nmero bastante grande en el problema.

Las iteraciones que utiliza el Mtodo Simplex son las siguientes:

Podemos observar que todos los Cj - Zj son menores o iguales a 0, por ende hemos llegado
a la solucin ptima del problema, sin embargo recordemos que la funcin objetivo fue
alterada en su signo al principio, por ende se hace necesario regresarle su signo original a Zj
y a la fila Cj - Zj.

(-Z)max = -3310 * (-1)

Zmax = 3310

Podemos cotejar con la funcin objetivo del modelo primal y encontraremos que hallamos el
mismo resultado.

Ahora se hace necesario interpretar los resultados de la tabla dual respecto al modelo primal,
y esta interpretacin se realiza siguiendo los siguientes principios.

La interpretacin del tabulado final del modelo dual es la siguiente:

Cambio en la rigidez de las restricciones

El vector del lado derecho asociado a las restricciones de un modelo de Programacin Lineal
puede tener distintas interpretaciones prcticas como, por ejemplo, la disponibilidad de
insumos para la fabricacin de determinados productos, limitantes de capacidad, requisitos
de demanda, entre otros.

En consecuencia resulta de inters analizar el impacto del cambio de uno o varios coeficientes
del vector de lado derecho sobre los resultados originales del modelo sin la necesidad de
reoptimizar, es decir, sin que tener que resolver nuevamente un modelo que incorpore los
cambios propuestos.

En este contexto, si en particular se verifica que:

Se puede afirmar que se conserva la actual base ptima. Lo anterior implica que las variables
bsicas del modelo lo seguirn siendo bajo este nuevo escenario y por tanto la nueva solucin
ptima del problema se podr encontrar a travs de la resolucin del mismo sistema de
ecuaciones original (se conservan las restricciones activas originales).

Ahora bien, si alguno de los coeficientes en el clculo del vector de variables bsicas adopta
un valor negativo, estamos frente a una solucin bsica infactible, lo que nos obliga a realizar
una actualizacin de los resultados del modelo para encontrar la nueva solucin, base ptima
y valor ptimo, pero que no pase por la reoptimizacin del mismo

Cambios en los coeficientes de la funcin objetivo

En el contexto del Anlisis de Sensibilidad o Postoptimal en Programacin Lineal y una vez

alcanzada la tabla (tableau) final en la aplicacin del mtodo simplex, resulta de inters
evaluar el impacto en la solucin ptima del problema si cambia un coeficiente o parmetro
en la funcin objetivo asociado a una variable bsica. Se busca dar respuesta a este escenario
sin la necesidad de reoptimizar, es decir, de resolver el problema original nuevamente.

Para conservar la solucin ptima identificada inicialmente, se debe cumplir que el costo
reducido de todas las variables debe ser mayor o igual a cero (recordar que el costo reducido
de las variables bsicas es cero por tanto dicha condicin en la prctica se establece sobre las
variables no bsicas). Lo anterior se garantiza si el incremento es cualquiera en el siguiente
intervalo:
Donde rj es el costo reducido de la respectiva variable no bsica en la actual solucin ptima
y los coeficientes yij denotan las entradas en la tabla final del mtodo simplex asociadas a la
variable bsica xi (cuyo costo cambia) y la respectiva variable no bsica xj.