Tema 13

Programación lineal
Contenido

„ Referencia histórica
„ Ejemplos
j p
„ Elementos de un problema
„ C
Caso d
de d
dos variables.
i bl R
Resolución
l ió gráfica
áfi
„ El p
problema dual
„ Interpretación de las variables duales
„ Condiciones de holgura complementaria

07/03/2010 2
Breve reseña histórica

„ La programación lineal es un ejemplo de las “nuevas

matemáticas” no la crearon los antiguos egipcios o
griegos La programación lineal apareció un poco
griegos.
después de la segunda guerra mundial. Pero, a pesar de
su corta historia,, la p
programación
g lineal ha cambiado la
forma en que las empresas toman decisiones, pasando
de métodos basados en el trabajo de adivinanza e
i i ió a usar algoritmos
intuición l i b
basados
d en los
l d
datos
disponibles y garantizados para producir una decisión
óptima.
óptima

07/03/2010 3
Elementos de la P.L

„ La programación
L ió lilineall resuelve
l problemas
bl d
de
optimización donde tanto la función que se quiere
optimizar
p como las restricciones a las qque están
sometidas las variables vienen dadas mediante
funciones lineales.

„ Conjunto factible o posible es el conjunto de todos los

puntos viables,
viables esto es
es, todas las posibles soluciones a
un problema de programación lineal.

07/03/2010 4
Elementos de la P.L

„ Función objetivo es la expresión que contiene las

incógnitas y nos da el beneficio, coste...etc. de una
determinada política de producción
producción, es decir
decir, nos da el
valor del beneficio, coste... en cada uno de los puntos
p
posibles.
„ Principio de las esquinas una función lineal definida
sobre una región factible acotada y no vacía, tiene un
valor máximo (mínimo) y éste se encuentra en un vértice
(punto extremo o esquina) del conjunto factible.

07/03/2010 5
Elementos de la P.L

„ Cuando
C d lla región
ió ffactible
tibl no es acotada
t d no se concluye
l
simplemente que exista una solución óptima en un
vértice,, ya
y que
q el problema
p p
puede no tener solución
óptima. En este caso se cumple: Si una región factible
es no acotada, y si la función objetivo tiene un valor
máximo (mínimo)
(mínimo), entonces el valor óptimo se alcanza
en un vértice.

„ Método del simplex, uno de los algoritmos (el primero)

que se utilizan para resolver los problemas de
programaciónió lilineal.
l

07/03/2010 6
Ejemplo
j p 1

„ Una empresa fabrica dos tipos de artículos, manuales y

eléctricos. Cada artículo requiere para su fabricación el
uso de tres máquinas A, A B y C.C Cada artículo manual
requiere el uso de la máquina A durante 2 horas, de la B
1 hora y de la C 1 hora. Un artículo eléctrico requiere
q 1
hora de A, 2 de B y 1 hora de C. El número de horas
disponible por mes de cada máquina es
respectivamente
i d 180,
de 180 160 y 100.
100 El beneficio
b fi i por
cada artículo manual es de 4€ y por cada eléctrico 6€. Si
la compañía vende todos los artículos,
artículos ¿cuántos
artículos de cada tipo debe producir mensualmente para
maximizar sus beneficios?

07/03/2010 7
Datos del problema. Ejemplo 1

A B C Beneficios

M 2 1 1 4

E 1 2 1 6

Disponibilidad
es
180 160 100

07/03/2010 8
Elementos del problema 1

„ Variables:
‰ x = número de artículos manuales

‰ y = número de artículos eléctricos

„ Función objetivo: beneficios

„ Restricciones: disponibilidad de las máquinas

07/03/2010 9
 Planteamiento. Ejemplo 1

Max z = 4x + 6y
2 x + y ≤ 180
x + 2 y ≤ 160
x + y ≤ 100
x ≥ 0, y ≥ 0

07/03/2010 10
Resolución gráfica

4x + 6y = 0
Resolución. Ejemplo 1

x + 2 y = 160
x + y = 100

„ X = 40, y = 60

07/03/2010 12
Ejemplo 2

„ Una compañía está comparando los costes de

publicidad en dos medios: periódico y radio. Por cada
euro de publicidad la tabla siguiente muestra el número
de personas, clasificadas por sus ingresos, que cada
uno de estos medios alcanza. La compañía p quiere
q
captar al menos 8.000 personas con ingresos menores
de 20.000 € y al menos 6.000 con ingresos de 20.000 €
o más.
á Calcular
C l l lasl cantidades
id d que la
l compañía í debe
d b
gastar en publicidad en periódico y en radio de modo
que capte este número de personas con un coste de
publicidad mínimo.

07/03/2010 13
 Datos del p
problema 2

Menos de 20.000 € ó
20.000 más

Periódico 40 100

Radio 50 25

8.000 6.000

07/03/2010 14
Planteamiento. Ejemplo
j p 2

„ Variables:
‰ x = cantidad gastada en periódicos
‰ y = cantidad gastada en la radio

Mi z = x + y
Min
s .a
40 x + 50 y ≥ 8000
100 x + 25 y ≥ 6000
x ≥ 0, y ≥ 0
07/03/2010 15
Resolución ggráfica. Ejemplo
j p 2

x+y=0
Solución. Ejemplo 2

40 x + 50 y = 8000
100 x + 25 y = 6000

„ La solución del sistema nos da:

„ X = 25, y = 140

07/03/2010 17
Problema de programación lineal

Max c1x1 + c2x2 + ... + cnxn

a11x1 + ... + a1jx, + ... + a1nxn ≤ b1 ⎫
⎪
s.a. .............................. ⎪
ai1x1 + ... + aijx, + ... + ainxn ≤ bi ⎪⎪ [P]
⎬
..................................... ⎪
am1x1 + ... + amjx, + ... + amnxn ≤ bm ⎪
⎪
xi ≥ 0,, i=1,...,n
, , ⎪⎭

Nota. Cualquier problema de programación lineal se puede escribir de

esta manera

07/03/2010 18
 ⎡ a11 ... a1n ⎤
⎢ ⎥
A la matriz A = ... ... ... la denominamos matriz de coeficientes técnicos
⎢ ⎥
⎢⎣am1 ... amn ⎥⎦

⎛ b1 ⎞
Al vector b = ⎜ ... ⎟ lo denominamos vector de recursos
⎜ ⎟
⎜b ⎟
⎝ m⎠

Al vector c = ( c1 ... cn ) lo denominamos vector de costes

⎛ x1 ⎞
⎜ ⎟
Al vector x = ... lo denominamos vector de incógnitas
⎜ ⎟
⎜x ⎟
⎝ n⎠
 Notación matricial de un p
problema de p
programación
g lineal

Max ((c D x))

Ax ≤ b ⎫⎪
s.a. ⎬ [P]
x ≥ 0⎪⎭

{
SP = x: Ax ≤ b ,x
x≥0 }
El conjunto
j t SP se d
denomina
i conjunto
j t ffactible
tibl o de
d
oportunidades

07/03/2010 20
Dual de un problema de PL. Introducción

„ Un sastre dispone de 20 metros de algodón, 15 de lana

y 10 de seda para confeccionar pantalones y camisas.
Unos pantalones requieren 2 m m. de algodón
algodón, 2 de lana y
0.5 de seda. Para hacer una camisa utiliza 2 m. de
algodón,
g , 1 de lana y 1 de seda. Si los pantalones
p los
vende a 40€ y las camisas a 25€, determinar las
unidades de pantalones y camisas que el sastre debe
h
hacer sii quiere
i maximizar
i i sus b
beneficios.
fi i

07/03/2010 21
10 Max 40 x + 25 y
s.a
2 x + 2 y ≤ 20
8

6
(5 5)
(5,5) 2 x + y ≤ 15
0.5 x + y ≤ 10
4 x ≥ 0, y ≥ 0

1 2 3 4 5 6 7
„ La solución
L l ió es 5 pantalones
l y 5 camisas
i
„ Los beneficios que obtiene 325€

„ Es interesante plantearnos y resolver los siguientes ejercicios

„ (a) ¿Qué pasa si al sastre le regalan un metro de algodón? Si

resolvemos el nuevo problema obtenemos que sus beneficios
aumentan en 330-325=5€
330 325 5€
„ (b) ¿Qué pasa si le regalan un metro de lana? Sus beneficios
aumentan en 340-325=15€
„ (c) Por último, si le regalan un metro de seda sus beneficios no
cambian.

07/03/2010 23
 Imagina ahora que alguien le quiere comprar el negocio.
negocio
El sastre querrá conseguir como mínimo lo que obtenía

2 u 1 + 2 u 2 + 0 .5 u 3 ≥ 4 0
2 u1 + u 2 + u 3 ≥ 2 5
u 1 ≥ 0, u 2 ≥ 0, u 3 ≥ 0

Donde u1,u
u2,u
u3 son los precios del algodón,
algodón lana y seda
El comprador quiere minimizar su coste:

Min 20u1 + 15u2 + 10u3

Llegan a un acuerdo resolviendo el siguiente problema

que llamaremos problema dual

07/03/2010 24
Problema dual para el sastre

Min 20u1 + 15u2 + 10u3

s.a
2u1 + 2u2 + 0.5u3 ≥ 40
2u1 + u2 + u3 ≥ 25
u1 ≥ 0, u2 ≥ 0, u3 ≥ 0

Veremos que la solución para este nuevo problema es u1=5, u2=15, u3=0
Notar que la función objetivo vale 325

07/03/2010 25
 P j d
Pareja de problemas
bl que llllamaremos: P
Problema
bl primal
i l y problema
bl d
duall

[PP] [PD]

Max 40 x + 25 y Min 20u1 + 15u2 + 10u3

s.a s.a
2 x + 2 y ≤ 20 2u1 + 2u2 + 0.5
0 5u3 ≥ 40
2 x + y ≤ 15
2u1 + u2 + u3 ≥ 25
0.5 x + y ≤ 10
x ≥ 0, y ≥ 0 u1 ≥ 0, u2 ≥ 0, u3 ≥ 0

07/03/2010 26
 Definición del problema dual. Cada problema de programación lineal
ti
tiene un problema
bl d
duall asociado
i d

Problema Primal Problema dual

Max c1x1 + c2 x2 + ... + cnxn Min b1u1 + b2u2 + ... + bmum

s.a s.a
a11x1 + ... + a1jx, + ... + a1nxn ≤ b1 ⎫ a11u1 + ... + ai1ui, + ... + am1um ≥ c1 ⎫
⎪ ⎪
.............................. ⎪ .............................. ⎪
ai1x1 + ... + aijx, + ... + ainxn ≤ bi ⎪⎪ a1ju1 + ... + aijui, + ... + amjum ≥ c j ⎪⎪
⎬ ⎬
..................................... ..................................... ⎪
⎪
am1x1 + ... + amjx, + ... + amnxn ≤ bm ⎪ a1nu1 + ... + ainui, + ... + amnum ≥ cn ⎪
⎪ ⎪
xi ≥ 0,
0 i=1,...,n
i=1 n ⎪⎭ uj ≥ 0, jj=1,...,m
1,...,m ⎪⎭

07/03/2010 27
 Con la notación matricial

Max ((c D x)) Min ((b D u))

A tu ≥ c ⎫⎪ [PD]
Ax ≤ b ⎫⎪ [PP]
s.a. ⎬ s.a. ⎬
x ≥ 0⎪⎭ u ≥ 0 ⎪⎭

Siendo u= (u1 ... um ) el vector de las variables duales y

x= ( x1 ... xn ) el vector de las variables primales

07/03/2010 28
„ El problema dual es un nuevo problema de
programación lineal.
„ Si ell problema
bl primal
i l es dde max ell d
duall es d
de min
i
„ Número de variables primales igual a número de
restricciones duales y viceversa
viceversa.
„ Los coeficientes del objetivo primal son los términos
independientes de las restricciones duales y viceversa
viceversa.
„ La matriz de coeficientes técnicos dual es la matriz
transpuesta de la primal.
„ Las variables duales son no negativas

07/03/2010 29
PROPIEDADES DE LOS PROGRAMAS LINEALES.

Proposición: Los conjuntos de oportunidades del los programas

primal y dual son convexos y poseen un número finito de puntos
extremos.
Nota: Los puntos extremos se encuentran en la intersección de n
restricciones.

Teorema: La solución de un programa lineal (si existe) siempre la

podemos encontrar en un punto extremo del conjunto de
oportunidades.
oportunidades

Nota: Los planes óptimos no tienen por qué ser únicos.

07/03/2010 30
 (0,2)2

Max(x + y)
s.a.
s a x+y y ≤ 2⎫
⎪
x-y ≤ 0 ⎬
1.5

x y ≥ 0 ⎪⎭
x,y
1 (1,1)

05
0.5

f(1,1) = 1 + 1 = 2
f(0,2) = 0 + 2 = 2
0.2 0.4 0.6 0.8 1

( , 0)) = 0 + 0 = 0
f(0, (0,0)
 Pero cualquier punto del segmento [(1,1),(0,2)] también
proporciona la solución óptima del programa.
programa

(0 2)
(0,2)

1.5

(1,1)
1

x+y=2

0.5

0.2 0.4 0.6 0.8 1

07/03/2010 32
Teorema de dualidad.

Si los problemas [PP] y [PD] tienen conjuntos de oportunidades

distintos del vacío.
vacío Entonces ambos problemas tienen solución
y además los valores óptimos de ambos programas coinciden,
es decir,

Max(c D x) = Min(b D u)
x∈SP u∈SD

07/03/2010 33
 Teorema de Kuhn y Tucker para programas lineales

El programa primal siempre está expresado en la forma

estándar de Kuhn-Tucker.
Como las funciones son lineales, la función objetivo será
cóncava y las restricciones convexas.
Podemos utilizar las condiciones de Kuhn-Tucker para resolver
ambos problemas.
problemas

07/03/2010 34
Lo demostraremos para un problema con dos variables y dos restricciones

Max c1x1 + c2 x2 Min b1u1 + b2u2

s.a s.a
a11x1 + a12x2 ≤ b1 ⎫ a11u1 + a21u2 ≥ c1 ⎫
⎪ [PP] ⎪ [PD]
a21x1 + a22x2 ≤ b2 ⎬ a12u1 + a22u2 ≥ c2 ⎬
x1 ≥ 0, x2 ≥ 0 ⎪ u1 ≥ 0, u2 ≥ 0 ⎪⎭
⎭

La función Lagrangiana del problema primal es

L P (x1 , x2 ,u1 ,u2 ) = c1x1 + c2x2 + u1 (b1 − a11x1 − a12x2 ) + u2 (b2 − a21x1 − a22 x2 )

Donde hemos llamado ui a los multiplicadores de Lagrange

07/03/2010 35
 L P (x1 , x2 ,u1 ,u2 ) = c1x1 + c2x2 + u1 (b1 − a11x1 − a12x2 ) + u2 (b2 − a21x1 − a22 x2 )

[1] c1 − a11u1 − a21u2 ≤ 0

c2 − a12u1 − a22u2 ≤ 0

[2] a11x1 + a12x2 − b1 ≤ 0

La condiciones K-T a21x1 + a22 x2 − b2 ≤ 0
del problema [PP]

[3] x1 ( c1 − a11u1 − a21u2 ) = 0

x2 ( c2 − a12u1 − a22u2 ) = 0

[4] u1 ( a11x1 + a12 x2 − b1 ) = 0

u2 ( a21x1 + a22x2 − b2 ) = 0

[5] , [6] xi ≥ 0 uj ≥ 0
 El programa dual expresado en la forma estándar de K
K-T
T es

−Max(−b1u1 − b2u2 ) Max(−b1u1 − b2u2 )

s.a. − a11u1 − a21u2 ≤ −c1 ⎫ s.a. − a11u1 − a21u2 ≤ −c1 ⎫
⎪ ⎪
− a21u1 − a22u2 ≤ −c2 ⎬ − a21u1 − a22u2 ≤ −c2 ⎬
uj ≥ 0 ⎪ uj ≥ 0 ⎪
⎭ ⎭

La función Lagrangiana del problema dual

L(u1 ,u2 , x1 , x2 ) = −b1u1 − b2u2 + x1 ( −c1+a11u1 + a21u2 ) + x2 ( −c2+a21u1 + a22u2 )

07/03/2010 37
 Condiciones de Kuhn-Tucker para el problema dual

L(u1 ,u2 , x1, x2 ) = −b1u1 − b2u2 + x1 ( −c1+a11u1 + a21u2 ) + x2 ( −c2+a21u1 + a22u2 )

[1D] a11x1 + a12 x2 − b1 ≤ 0

a21x1 + a22 x2 − b2 ≤ 0

[[2D]] a11u1 + a21u2 − c1 ≥ 0

aa21u1 + a22u2 − c2 ≥ 0

[3D] u1 ( a11x1 + a12x2 − b1 ) = 0

u2 ( a21x1 + a22 x2 − b2 ) = 0

[4D] x1 ( a11u1 + a21u2 − c1 ) = 0

x2 ( a21u1 + a22u2 − c2 ) = 0

],[ ] uj ≥ 0,, xi ≥ 0
[[5D],[6D]

Donde xi son ahora los multiplicadores de Lagrange

[1P] a11u1 + a21u2 − c1 ≥ 0 [1D] a11x1 + a12x2 − b1 ≤ 0
a12u1 + a22u2 − c2 ≥ 0 a21x1 + a22 x2 − b2 ≤ 0

[2P] a11x1 + a12x2 − b1 ≤ 0 [2D] a11u1 + a21u2 − c1 ≥ 0

a21x1 + a22 x2 − b2 ≤ 0 a12u1 + a22u2 − c2 ≥ 0

[3P] x1 ( a11u1 + a21u2 − c1 ) = 0 [3D] u1 ( a11x1 + a12x2 − b1 ) = 0

x2 ( a12u1 + a22u2 − c2 ) = 0 u2 ( a21x1 + a22x2 − b2 ) = 0

[4P] u1 ( a11x1 + a12x2 − b1 ) = 0 [4D] x1 ( a11u1 + a21u2 − c1 ) = 0

u2 ( a21x1 + a22x2 − b2 ) = 0 x2 ( a12u1 + a22u2 − c2 ) = 0

[5] , [6] xi ≥ 0 uj ≥ 0 [5D],[6D] uj ≥ 0, xi ≥ 0

 Por tanto, las soluciones de las condiciones K-T son las mismas
para ell problema
bl primal
i l y dual.
d l
Además, existe solución para el primal si y sólo si existe
solución p
para el dual .

IMPORTANTE

Las variables del problema primal, xi son los multiplicadores de

Lagrange del problema dual.

Las variables del problema dual, uj son los multiplicadores de

Lagrange del problema primal.

07/03/2010 40
 tanto si (x* ,u
Por tanto, u* ) es la solución del problema primal entonces (u* , x* ) es
la solución de su problema dual y además los valores óptimos de ambos
programas coinciden:

L P (x1 , x2 ,u1 ,u2 ) = c1x1 + c2 x2 + u1 (b1 − a11x1 − a12 x2 ) + u2 (b2 − a21x1 − a22 x2 )

( 1 ,u2 , x1 , x2 ) = −b1u1 − b2u2 + x1 ( −c1+a

L D (u + 11u1 + a21u2 ) + x2 ( −c2+
+a21u1 + a22u2 )

Max ( c D x ) = c D x* = LP (x* ,u* ) = −LD (u* , x* ) = −(−b D u* ) =

x∈SP

−Max(
M (−b D u)) = Min(b
Mi (b D u))
u∈SD

07/03/2010 41
Condiciones de holgura complementaria
Si (x1* , x *2 ) y (u1* , u2* ) son soluciones óptimas de los dos problemas
se cumple:

(
u1* a11x1* + a12x*2 − b1 = 0)
u*2 (a *
21 1x + a22x*2 −b ) = 0
2

x1* (a u*
11 1 + a u*
21 2 −c ) =0
1

x*2 (a u*
21 1 + a u*
22 2 −c ) =0
2

Estas condiciones se llaman de holgura complementaria y permiten

resolver uno de los problemas cuando se conoce la solución del otro
otro.

¿Qué significan? Primera variable dual por…etc

07/03/2010 42
 IMPORTANTE

Interpretación de las condiciones de holgura complementaria.

Caso general

Sea

(
x* = x1* ,..., xi* ,..., xn* ) Un plan óptimo para [PP]

(
u* = u1* ,...,u*j ,...,um
*
) Un plan óptimo para [PD]

07/03/2010 43
Si
* * * *
x > 0 → a u + ... + a u + ... + a u = ci
i 1i 1 ii i , mi m

Si la variable i-ésima primal es distinta de cero en el óptimo. La

restricción i-ésima dual es de igualdad en el óptimo, se dice que
está saturada,
saturada es decir,
decir la solución óptima dual agota toda la
cantidad disponible del recurso i.

Si

uk* > 0 → ak1x1* + ... + akk xk,

*
k + ... + a *
kn n = bk
x

Si la variable k-ésima dual es distinta de cero en el óptimo. La

restricción
i ió k-ésima
k é i primal
i l es de
d igualdad
i ld d en ell óptimo,
ó i se dice
di
que está saturada, es decir, la solución óptima primal agota toda
la cantidad disponible del recurso k.

07/03/2010 44
Si
* * * *
a u + ... + a u + ... + a u > ck → x = 0
1k 1 kk k, mk m k

Por tanto, si la restricción k-ésima del programa dual no se satura

en el óptimo la variable k-ésima del problema primal es nula en
el óptimo.
óptimo

Si

ai1x1* + ... + aik xk,

*
+ ... + ainxn* < bi → ui* = 0
Si la restricción i-ésima del problema primal no se satura en el
óptimo, la variable i-ésima del dual es nula en el óptimo.

07/03/2010 45
Ejemplo: Resolución del problema dual (sastre)

Max 40 x + 25 y Min 20u1 + 15u2 + 10u3

s.a
s.a
2 x + 2 y ≤ 20
2 x + y ≤ 15
2u1 + 2u2 + 0.5
0 5u3 ≥ 40
0.5 x + y ≤ 10 2u1 + u2 + u3 ≤ 25
x ≥ 0,
0 y≥0 u1 ≥ 0,
0 u2 ≥ 00, u3 ≥ 0

07/03/2010 46
„ Como lla solución
C l ió d dell problema
bl primal
i l es (5
(5,5),
5) llas d
dos restricciones
ti i d
duales
l
serán de igualdad en el óptimo.
„ Como la tercera restricción primal es no saturada en el óptimo, la tercera
variable dual óptima será nula u3* = 0.
„ Con estas condiciones resolvemos el dual. En el óptimo se cumplirá:

x1 = 5 → 2u1 + 2u2 + 0.5

0 5u3 − 40 = 0 ⎫
⎪
x2 = 5 → 2u1 + u2 + u3 − 25 = 0 ⎬
0.5 × 5 + 5 < 10 → u3 = 0 ⎪
⎭
Resolviendo el sistema
u1* = 5, u2* = 15, u3* = 0

„ Verificar que los valores óptimos coinciden para ambos problema

07/03/2010 47
 Ejemplo

Maximizar 2x1 + x2 + x3 Min 10u1 + 4u2

s.a ⎫ s.a u1 + u2 ≥ 2 ⎫
x1 - x3 ≤ 10 ⎪ ⎪
⎪ u2 ≥ 1 ⎪
⎬
x1 + x2 + x3 ≤ 4 ⎪ ⎬
− u1 + u2 ≥ 1 ⎪
xi ≥ 0 i=1,2,3 ⎪
⎭ uj ≥ 0 j = 1,2 ⎪
⎭

07/03/2010 48
 Resolvemos gráficamente el problema dual con dos variables

10

6
Curva de nivel 0
−5
u2 = u1 → (0,0); (1, −2.5)
4
2

(0,2)
Solución
2
1 3 u1* = 0
( , )
2 2 u*2 = 2
Valor mínimo
2 4 6 8
10x0+4x2=8
 Aplicando las condiciones de holgura complementaria
obtenemos la solución óptima del programa primal.
primal

Maximizar 2x1 + x2 + x3 Min 10u1+4u2

s.a x1 - x3 ≤ 10 ⎫ s.a u1+u2 ≥ 2 ⎫
⎪ ⎪
x1 + x2 + x3 ≤ 4 ⎬ u2 ≥ 1 ⎪
xi ≥ 0 i=1,2,3 ⎪ ⎬
⎭ -u1 + u2 ≥ 1 ⎪
uj ≥ 0 j=1,2
j=1 2 ⎪
⎭
Se debe verificar cumplir:

u*2 = 2 > 0 → x1* + x2* + x3* = 4

u*2 = 2 > 1 → x*2 =0
−u1* + u*2 = −0 + 2 > 1 → x*3 = 0
2x1* + x2* + x3* = 8
07/03/2010 50
 Resolviendo el sistema:

x1* + x2* + x3* = 4

x*2 =0
x*3 = 0
Obtenemos que el plan óptimo del programa primal es:

x1* = 4
x*2 =0
x*3 = 0

Además el valor de la función objetivo dual es: 2x1* + x2* + x3* = 8

07/03/2010 51
Interpretación de las variables duales
„ Supongamos que ( ) (
x1* , x2* ,..., xn* y u1* , u2* ,..., um* ) son soluciones
primal y dual respectivamente.
respectivamente
„ El teorema de dualidad garantiza que:

( z* = c x
*
1 1 + c2 x2* + ... + cn xn* ) = ( b1u1* + b2u2* + ... + bmum* = w *)
„ Si calculamos las derivadas de z* respecto a las bj tendremos:
∂z * *
= uj
∂b j
„ “La
La variación que se produce en el óptimo primal cuando
cambiamos el término bj de una restricción es igual a la variable
dual correspondiente a esa restricción”

Notar que la interpretación de las variable duales es idéntica a la interpretación

de los multiplicadores de Lagrange que vimos en el tema 11.

07/03/2010 52